cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota pontianak,
Kalimantan barat
INDONESIA
BIMASTER
Published by Universitas Tanjungpura
ISSN : -     EISSN : -     DOI : -
Core Subject : Science, Education,
Decision Sciences, Operations Research & Management Mathematics
Bimaster adalah Jurnal Ilmiah berkala bidang Matematika, Statistika dan Terapannya yang terbit secara online dan dikelola oleh Jurusan Matematika FMIPA Untan
Arjuna Subject : -
Articles 770 Documents
 6   7   8   9   10 
BILANGAN DOMINASI LOKASI PADA PAN GRAPH Fransiskus Fran, Elishabet Yohana, Yundari,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 2 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (266.006 KB) | DOI: 10.26418/bbimst.v9i2.39912

Abstract

Diberikan graf  merupakan graf terhubung dan tak berarah. Himpunan  merupakan himpunan dominasi lokasi jika untuk setiap simpul  dengan  memenuhi . Bilangan dominasi lokasi dari graf  dinotasikan dengan  merupakan kardinalitas minimum dari himpunan dominasi lokasi pada graf . Pada penelitian ini dibahas tentang bilangan dominasi lokasi pada graf lintasan , graf cycle  dan pan graph . Langkah-langkah yang dilakukan dalam penelitian ini adalah mencari himpunan dominasi lokasi dari masing-masing graf, kemudian mencari satu persatu bilangan dominasi lokasi pada setiap graf tersebut. Pada tahap akhir, diperoleh pola bilangan dominasi lokasi pada masing-masing graf. Berdasarkan hasil penelitian, diperoleh ;  dan  untuk  yaitu 2, untuk  yaitu 3, untuk  yaitu .Kata kunci: himpunan dominasi lokasi, graf cycle, graf lintasan
METODE GENERALIZED RIDGE REGRESSION DALAM MENGATASI MULTIKOLINEARITAS Nita Anggraini; Dadan Kusnandar; Naomi Nessyana Debataraja
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (533.892 KB) | DOI: 10.26418/bbimst.v8i4.35879

Abstract

Regresi linear berganda adalah suatu teknik dalam metode statistika yang digunakan untuk menganalisis pengaruh dua atau lebih variabel independen terhadap variabel dependen. Salah satu asumsi pada analisis regresi linear berganda adalah tidak adanya multikolinearitas di dalam model regresi. Jika terdapat pelanggaran asumsi multikolinearitas, ada beberapa cara yang dapat digunakan untuk mengatasinya salah satunya yaitu dengan menggunakan metode regresi ridge yang merupakan modifikasi dari metode kuadrat terkecil yang dilakukan dengan menambahkan tetapan bias . Generalized ridge regression (GRR) merupakan pengembangan dari metode regresi ridge, yaitu dengan menggunakan konstanta bias  yang berbeda untuk setiap variabel bebasnya . Penelitian ini bertujuan untuk menduga parameter menggunakan metode GRR untuk mengatasi masalah multikolinearitas pada analisis faktor-faktor tingkat pengangguran terbuka di Indonesia. Berdasarkan hasil penelitian didapatlah persamaan GRR yang mempengaruhi tingkat pengangguran terbuka yaitu:  dengan tingkat partisipasi angkatan kerja dan produk domestik regional bruto berpengaruh secara signifikan terhadap tingkat pengangguran terbuka. Metode GRR dapat mengatasi masalah multikolinearitas dalam menduga parameter regresi yang dibuktikan dengan nilai variance inflation factors (VIF) untuk masing-masing variabel yang didapatkan kurang dari 10 yaitu sebesar , , , dan  dengan nilai koefisien determinasi  sebesar 0,6025 yang berarti bahwa besarnya variabel tingkat partisipasi angkatan kerja dan produk domestik regional bruto terhadap tingkat pengangguran terbuka sebesar 60,25% sedangkan 39,75% dipengaruhi oleh variabel lainnya. Kata Kunci: Regresi Linear Berganda, Multikolinearitas, Generalized Ridge Regression
INDEKS PENCEMARAN AIR DI KAWASAN PERMUKIMAN KOTA PONTIANAK: INDIKATOR FISIK DAN KIMIA Puteri Ratna Dewi; Dadan Kusnandar; Naomi Nessyana Debataraja
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (842.728 KB) | DOI: 10.26418/bbimst.v8i4.36639

Abstract

Air merupakan elemen yang sangat penting bagi manusia, salah satunya untuk keperluan higiene sanitasi. Penentuan indeks pencemaran air yang digunakan untuk keperluan higiene sanitasi berdasarkan Keputusan Menteri Lingkungan Hidup Nomor 115 Tahun 2003. Data yang digunakan adalah data primer yang terdiri dari 42 sampel air yang diambil di Kota Pontianak. Terdapat dua indikator yang digunakan antara lain fisik dan kimia. Indikator fisik yang digunakan pada penelitian ini adalah kekeruhan, warna, dan Total Dissolved Solid (TDS). Indikator kimia yang digunakan pada penelitian ini adalah pH, besi, fluorida, kesadahan, nitrat, nitrit, dan deterjen. Indeks pencemaran indikator fisik terdiri dari tiga kelas yaitu, 8 titik lokasi memenuhi baku mutu, 24 titik lokasi tercemar ringan, dan 10 titik lokasi tercemar sedang. Indeks pencemaran indikator kimia terdiri dari dua kelas yaitu, 12 titik lokasi memenuhi baku mutu dan 30 titik lokasi tercemar ringan. Kata Kunci: pencemaran air, indeks pencemaran. sebaran indeks pencemaran
DIMENSI PARTISI PADA GRAF Annisatul Khairiah; Evi Noviani; Fransiskus Fran
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (360.822 KB) | DOI: 10.26418/bbimst.v9i1.38818

Abstract

Diberikan sebuah graf terhubung . Simpul  dikelompokkan ke dalam -partisi yaitu  dengan . Representasi dari  terhadap  yaitu    dengan  dan  merupakan simpul di . Jika representasi yang dihasilkan memiliki vektor koordinat yang berbeda, maka  merupakan partisi pembeda dari graf . Apabila  merupakan nilai minimum dari banyaknya partisi di , maka    merupakan dimensi partisi dari graf , dinotasikan dengan   . Pada penelitian ini dibahas cara menentukan formula dimensi partisi pada graf sisir, graf garis dan graf kuadrat dari graf sisir. Graf sisir adalah graf yang diperoleh dari hasil operasi korona antara graf lintasan  dengan graf lengkap . Graf sisir  memiliki  simpul dan  sisi. Graf garis dari graf sisir  adalah graf yang memiliki jumlah simpul sama dengan jumlah sisi dari graf . Simpul pada graf garis tersebut akan bertetangga jika dan hanya jika sisi-sisi yang bersesuaian saling terhubung pada graf . Graf kuadrat dari graf sisir  yaitu sebuah graf yang memiliki jumlah simpul yang sama dengan simpul pada graf , dengan menambahkan sisi pada dua simpul yang berjarak dua. Hasil dari penelitian ini diperoleh dimensi partisi dari graf sisir yaitu 2, untuk  dan , untuk . Dimensi partisi pada graf garis dari graf sisir yaitu , untuk  dan , untuk  serta dimensi partisi pada graf kuadrat dari graf sisir yaitu , untuk  dan , , untuk .  Kata Kunci: Partisi pembeda, graf sisir, graf garis, graf kuadrat.
PENGUKURAN VALUE AT RISK (VaR) PADA PORTOFOLIO DENGAN SIMULASI MONTE CARLO Elga Fitaloka; Evy Sulistianingsih; Hendra Perdana
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 2 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (367.946 KB) | DOI: 10.26418/bbimst.v7i2.25055

Abstract

Salah satu bentuk pengukuran nilai risiko dalam berinvestasi adalah Value at Risk (VaR). VaR dapat didefinisikan sebagai estimasi kerugian maksimum yang akan didapat selama periode waktu tertentu dengan tingkat kepercayaan tertentu. Salah satu metode yang dapat digunakan VaR adalah simulasi Monte Carlo. VaR dengan simulasi Monte Carlo pada portofolio mengasumsikan bahwa return berdistribusi normal dan return portofolio tidak bersifat linier terhadap return saham tunggalnya. Data yang digunakan untuk studi kasus pada penelitian ini adalah data harga penutupan saham harian PT. Surya Citra Media Tbk, PT. Summarecon Agung Tbk, PT. Astra Agro Lestari Tbk, dan PT. Unilever Indonesia Tbk, periode 27 Februari 2015 sampai 2 Maret 2016. Hasil perhitungan pada penelitian ini menunjukkan bahwa jika investor menginvestasikan dananya sebesar Rp 100.000.000,00 maka kemungkinan kerugian maksimum yang diderita investor pada periode selanjutnya (1 hari setelah periode) dengan tingkat kepercayaan 95% tidak akan melebihi Rp 2.995.047,00.  Kata Kunci : Indeks, Modal, Keuntungan  
KONTROL OPTIMAL PENYEBARAN PENYAKIT GONORE DENGAN MENGGUNAKAN PRINSIP MINIMUM PONTRYAGIN Lovi Dwi Purnamasari; Mariatul Kiftiah; Yudhi Yudhi
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (587.97 KB) | DOI: 10.26418/bbimst.v8i4.36548

Abstract

Penyakit Gonore adalah salah satu penyakit menular seksual yang disebabkan oleh bakteri Neisseria gonorrhoeae. Penularan penyakit Gonore dapat dikendalikan dengan pemberian antibiotik dan melakukan terapi klinis pada individu yang terinfeksi penyakit Gonore. Pada penelitian ini, model penyebaran penyakit Gonore tipe SI (Susceptible-Infected) dikendalikan dengan pemberian suatu kontrol pengobatan berupa antibiotik (u). Pemberian kontrol berupa antibiotik ini bertujuan untuk meminimumkan jumlah individu yang ada pada subpopulasi terinfeksi. Model matematika SI yang telah diberi kontrol  selanjutnya diselesaikan menggunakan Prinsip Minimum Pontryagin sehingga didapat suatu kontrol optimal  Hasil simulasi numerik yang telah dilakukan dengan nilai parameter tingkat pengurangan dan penambahan jumlah individu pria yang terinfeksi, tingkat pengurangan dan penambahan jumlah individu wanita yang terinfeksi, dan konstanta positif untuk menjaga ukuran populasi individu terinfeksi berturut-turut adalah a1=1, b1=0.006, a2=1, b2=0.004, A1=1 dan A2=1    menunjukkan bahwa pemberian kontrol berupa pengobatan menggunakan antibiotik dapat menekan jumlah individu pada subpopulasi terinfeksi. Kata kunci: gonore, model SI, kontrol optimal, prinsip minimum pontryagin
ANALISIS REGRESI ROBUST ESTIMASI-MM DALAM MENGATASI PENCILAN PADA REGRESI LINEAR BERGANDA Ariady Zulkarnain; Setyo Wira Rizki; Hendra Perdana
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (435.082 KB) | DOI: 10.26418/bbimst.v9i1.38666

Abstract

Analisis regresi merupakan suatu analisis statistik yang mempelajari hubungan antara variabel dependen dengan satu atau lebih variabel independen. Model linear yang memuat beberapa variabel independen dan satu variabel dependen disebut model regresi linear berganda. Pada umumnya metode yang digunakan untuk mengestimasi parameter regresi adalah Metode Kuadrat Terkecil (MKT). Namun ketika terdapat pencilan pada data, metode tersebut kurang efektif digunakan. Pencilan dapat dideteksi menggunakan uji DfFITS. Oleh sebab itu diperlukan suatu alternatif terhadap keberadaan pencilan, salah satunya dengan menggunakan metode regresi Robust. Salah satu metode estimasi dalam regresi Robust adalah estimasi Method of Moment (MM). Tujuan dalam penelitian ini adalah untuk mengatasi data pencilan dengan menggunakan regresi Robust estimasi-MM untuk mendapatkan model terbaik. Variabel yang digunakan dalam penelitian ini adalah pengaruh rata-rata lama sekolah (X1), dan PDRB (X2) terhadap IPM (Y) di Indonesia pada tahun 2015. Analisis regresi Robust estimasi-MM di awali dengan mengestimasi parameter menggunakan MKT. Setelah mendapatkan model estimasi, selanjutnya menguji apakah data yang digunakan tedapat pencilan atau tidak. Jika terdapat pencilan pada data maka dilanjutkan dengan mencari estimasi parameter menggunakan regresi Robust estimasi-MM. Berdasarkan uji DfFITS, data yang digunakan terdapat pencilan sehingga diperlukan prosedur regresi Robust  untuk mengestimasi parameter model matematisnya. Model matematis regresi Robust estimasi-MM yang diperoleh yaitu , dimana variabel independen berpengaruh signifikan terhadap variabel dependen dengan nilai adjusted-R square sebesar 0,7365. Kata Kunci: Estimasi-MM, Regresi Robust, Pencilan.
METODE BEDA HINGGA EKSPLISIT DAN IMPLISIT UNTUK MENYELESAIKAN PERSAMAAN PANAS Lili Oktaviana; Evi Noviani; Yudhi Yudhi
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 2 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (488.928 KB) | DOI: 10.26418/bbimst.v9i2.39942

Abstract

Persamaan difusi adalah persamaan diferensial parsial orde dua yang termasuk ke dalam tipe persamaan diferensial parsial parabolik. Persamaan difusi dapat juga disebut persamaan panas. Persamaan panas dapat diselesaikan dengan menggunakan metode beda hingga. Metode beda hingga memiliki beberapa skema diantaranya skema eksplisit dan skema implisit. Penelitian ini membahas penyelesaian persamaan panas dimensi satu dengan metode beda hingga eksplisit dan implisit. Langkah pertama pada penelitian ini yaitu memodelkan aliran panas pada batang kawat homogen menjadi persamaan panas dimensi satu. Selanjutnya, mendiskritisasi persamaan panas dimensi satu dengan menggunakan turunan numerik. Kemudian, menyelesaikan persamaan panas dimensi satu menggunakan skema eksplisit dan skema implisit dengan membentuk pola iterasi. Solusi persamaan panas dimensi satu dengan menggunakan metode beda hingga eksplisit yaitu  dengan  ,  dan . Sedangkan, dengan menggunakan metode beda hingga implisit yaitu  dengan ,  dan . Nilai  merupakan solusi hampiran metode beda hingga eksplisit dan implisit dengan  dan , dimana N adalah jumlah total titik-titik  dan  adalah jumlah total titik-titik . Terakhir, menggunakan program Scilab dilakukan simulasi penyelesaian persamaan panas dimensi satu dan menghasilkan solusi. Hasil simulasi menunjukkan bahwa adanya perubahan suhu dari temperatur tinggi ke temperatur rendah yang dipengaruhi oleh waktu karena adanya proses perpindahan panas pada batang kawat homogen. Kata Kunci: perpindahan panas, turunan numerik, skema eksplisit, skema implisit
KESTABILAN SISTEM PENDULUM TERBALIK DENGAN MENGGUNAKAN METODE LQR Irfant Bayu Pratama; Helmi Helmi; Yudhi Yudhi
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 2 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (275.261 KB) | DOI: 10.26418/bbimst.v7i2.24814

Abstract

 Sistem pendulum terbalik merupakan sistem yang tidak stabil dan nonlinear. Sistem ini tidak dapat mempertahankan kemiringan sudut pendulum, dikarenakan keberadaan gravitasi. Kemiringan sudut pendulum dapat mengubah kecepatan gerak kereta. Berdasarkan permasalahan tersebut, untuk mempertahankan keseimbangan sudut pendulum digunakan metode LQR. Langkah awal yang dilakukan adalah menentukan model dengan menggunakan persamaan Lagrange. Dari model tersebut dibuat persamaan state space, kemudian dilinearisasi menggunakan matriks Jacobi agar didapat persamaan yang linear. Dalam penelitian ini penerapan metode LQR dapat digunakan apabila pada karakteristiknya yaitu keterkontrolan mempunyai nilai rank empat. Hasil dari simulasi menunjukkan bahwa kereta mampu bergerak dengan kecepatan konstan dengan mempertahankan keadaan seimbang pendulum di sekitar nol radian. Kata Kunci : nonlinear, persamaan Lagrange, state space
ESTIMASI PARAMETER MODEL INTEGER-VALUED AUTOREGRESSIVE ORDE SATU (INAR(1)) Shantika Martha, Aloysius Billy Saga, Yundari,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): BIMASTER
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (222.687 KB) | DOI: 10.26418/bbimst.v8i4.36053

Abstract

Model Integer-value autoregressive orde satu (INAR(1)) adalah salah satu model yang digunakan untuk memodelkan data deret waktu berupa bilangan cacah. Berdasarkan asumsi kestasioneran lemah dari data deret waktu maka sifat-sifat statistik yang dibahas adalah rata-rata dan variansi. Dalam model INAR(1) terdapat parameter yang belum diketahui dan perlu diestimasi yaitu probabilitas bertahan dalam suatu proses (alpha) dan parameter komponen kedatangan (lamda). Pada penelitian ini parameter alpha  diestimasi menggunakan metode Yule-Walker dan kuadrat terkecil bersyarat sedangkan parameter lamda   diestimasi menggunakan metode maksimum likelihood dan kuadrat terkecil bersyarat. Hasil yang diperoleh adalah rata-rata dari model INAR(1) adalah  dan variansinya , sedangkan hasil estimasi parameter yang diperoleh adalah estimasi parameter  dan   . Kata Kunci: Yule-Walker, Maksimum Likelihood, Kuadrat Terkecil Bersyarat

Page 8 of 77 | Total Record : 770

 6   7   8   9   10 

Filter by Year

2012 2025


Reset
Filter By Issues
All Issue Vol 14, No 2 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 6 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 5 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 4 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 3 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 2 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 1 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 6 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 5 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 4 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 3 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya (dalam proses) Vol 12, No 3 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 2 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 1 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 5 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 4 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 2 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 4 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 3 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 2 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 1 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 4 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 3 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 3 (2020): BIMASTER Vol 9, No 2 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 2 (2020): BIMASTER Vol 9, No 1 (2020): BIMASTER Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): BIMASTER Vol 8, No 3 (2019): BIMASTER Vol 8, No 3 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 2 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 2 (2019): BIMASTER Vol 8, No 1 (2019): BIMASTER Vol 8, No 1 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 4 (2018): BIMASTER Vol 7, No 4 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 3 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 3 (2018): BIMASTER Vol 7, No 2 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 2 (2018): BIMASTER Vol 7, No 1 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 1 (2018): BIMASTER Vol 6, No 03 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 03 (2017): BIMASTER Vol 6, No 02 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 02 (2017): BIMASTER Vol 6, No 01 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 01 (2017): BIMASTER Vol 5, No 03 (2016): BIMASTER Vol 5, No 02 (2016): BIMASTER Vol 5, No 01 (2016): BIMASTER Vol 4, No 03 (2015): BIMASTER Vol 4, No 01 (2015): BIMASTER Vol 4, No 2 (2015): BIMASTER Vol 3, No 03 (2014): BIMASTER Vol 3, No 02 (2014): BIMASTER Vol 3, No 01 (2014): Bimaster Vol 2, No 03 (2013) Vol 2, No 02 (2013): Bimaster Vol 2, No 1 (2013): BIMASTER Vol 1, No 01 (2012): BIMASTER More Issue