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 832 Documents
 78   79   80   81   82 
PEMODELAN ARIMA-GARCH PADA HARGA EMAS BERJANGKA Mariska, Refhi; Helmi, Helmi
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 5 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i5.99665

Abstract

Emas merupakan satu diantara jenis investasi paling diminati karena dianggap aman dan bisa melindungi nilai kekayaan saat kondisi ekonomi tidak menentu. Penelitian bertujuan untuk memodelkan harga emas berjangka dengan model ARIMA-GARCH yang kemudian akan dilakukan peramalan harga emas berjangka dari hasil model ARIMA-GARCH terbaik. Data penelitian merupakan data harian harga emas berjangka dengan periode bulan Januari hingga Desember 2024. Tahapan penelitian mencakup pengujian stasioneritas, identifikasi dan estimasi model ARIMA dan GARCH, serta memilih model terbaik melalui pertimbangan nilai AIC terkecil untuk meramalkan harga emas berjangka. Hasil analisis diperoleh bahwa data return harian telah stasioner dalam mean namun mengandung heteroskedastisitas, sehingga dilanjutkan dengan model GARCH. Model terbaik yang diperoleh adalah ARIMA(1,0,1)-GARCH(1,1) yang digunakan untuk melakukan peramalan harga emas berjangka dan menghasilkan gambaran fluktuasi yang relatif kecil dan mencerminkan kondisi pasar yang stabil dalam jangka pendek. Kemudian, setelah melakukan peramalan tersebut, hasil dari peramalan dibandingkan dengan data aktual harga emas berjangka yang selanjutnya dilakukan pengembalian return ke data aktual. MAPE dari model sebesar 1,41% artinya nilai keakuratan peramalan harga emas berjangka sangat baik pada penelitian ini.
PERBANDINGAN SOLUSI NUMERIK METODE SIMPSON 3/8 DAN METODE ROMBERG PADA PENYELESAIAN INTEGRAL TENTU Juniati, Evi; Prihandono, Bayu; Kusumastuti, Nilamsari
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i4.99127

Abstract

Integrasi numerik merupakan salah satu metode yang digunakan untuk menghitung persoalan integral. Penelitian ini membahas perbandingan dua metode numerik, yaitu metode Simpson 3/8 dan metode Romberg dalam menyelesaikan persoalan integral tentu. Metode Simpson 3/8 merupakan pengembangan dari metode Newton-Cotes yang menggunakan pendekatan polinom derajat tiga, sedangkan metode Romberg merupakan penerapan dari ekstrapolasi Richardson yang memperbaiki akurasi hasil integrasi dengan pendekatan berulang. Tujuan penelitian ini adalah mengetahui metode terbaik antara metode Simpson 3/8 dan metode Romberg berdasarkan tingkat keakuratan galatnya pada beberapa fungsi integral tentu. Langkah awal dalam penelitian yaitu mencari nilai integrasi dari beberapa fungsi integral tentu dengan metode Simpson 3/8 dan metode Romberg sehingga diperoleh masing-masing nilai hampirannya. Selanjutnya dicari nilai galat estimasi dan galat absolut dengan membandingkan nilai integrasi dari kedua metode dengan nilai eksak. Pada lima fungsi integral yang diberikan, diperoleh hasil pada soal kedua, galat absolut metode Simpson 3/8 sebesar 0.2838 dan Romberg sebesar 0.0004. Pada soal ketiga, galat absolut metode Simpson 3/8 sebesar 0.000576 dan Romberg sebesar 0.000108. Pada soal keempat, galat absolut metode Simpson 3/8 sebesar 0.000848 dan Romberg sebesar 0.000002. Kemudian dari kelima persoalan integral, metode Simpson 3/8 memiliki galat estimasi yang lebih besar dibandingkan dengan metode Romberg. Hasil penelitian dengan 8 subinterval menunjukkan bahwa metode Romberg lebih akurat dibandingkan dengan metode Simpson 3/8.
PEMBENTUKAN PORTOFOLIO OPTIMAL DENGAN METODE MARKOWITZ DAN MEAN VARIANCE EFFICIENT PORTFOLIO (MVEP) Rahmah, Mhaulia; Yundari, Yundari; Sulistianingsih, Evy
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i4.96034

Abstract

Kegiatan investasi yang dilakukan oleh investor memiliki risiko yang sebanding dengan tingkat keuntungan yang ditawarkan sehingga perlu dilakukan penyebaran investasi dengan membentuk portofolio saham untuk meminimalkan risiko. Portofolio optimal adalah portofolio yang dipilih oleh seorang investor dari sekumpulan portofolio efisien yang tersedia, berdasarkan preferensi risiko dan return investor. Penelitian ini bertujuan untuk menentukan kombinasi dan bobot saham dari setiap saham pembentuk portofolio optimal menggunakan Metode Markowitz dan Metode Mean Variance Efficient Portfolio (MVEP). Data yang digunakan berupa harga penutupan harian dari saham terindeks IDX30 periode 1 Februari 2024 hingga dengan 30 Agustus 2024. Proses analisis dilakukan dengan pengumpulan data harga saham harian lalu perhitungan return harian setiap saham dan estimasi expected return serta risiko tiap saham. Kemudian, penyusunan matriks kovarians antar saham dan dilakukan perhitungan bobot saham optimal dengan metode Markowitz dan MVEP serta evaluasi kinerja portofolio dengan indeks Sharpe. Hasilnya, portofolio optimal metode Markowitz terdiri dari ADRO (45,43%), PGAS (18,16%), MEDC (12,36%), AMRT (8,17%), KLBF (7,12%), UNTR (4,53%) dan CPIN (4,24%) dengan expected return 0,00217, risiko portofolio 0,000126 dan kinerja portofolio 0,192807. Kombinasi portofolio dengan metode MVEP terdiri dari ADRO (10,94%), PGAS (5,75%), MEDC (18,05%), AMRT (15,41%), KLBF (16,43%), UNTR (21,74%) dan CPIN (11,69%) dengan expected return 0,00130, risiko portofolio 0,0000759 dan kinerja portofolio sebesar 0,14963.
PENERAPAN METODE K-MEANS++ DALAM PENENTUAN TOPIK SKRIPSI MAHASISWA BERDASARKAN NILAI MATA KULIAH Prasetio, Rian; Yudhi, Yudhi; Kusumastuti, Nilamsari
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i4.98428

Abstract

Pemilihan topik skripsi merupakan langkah penting bagi mahasiswa dalam menentukan fokus utama penelitian yang akan dilakukan. Proses ini dapat menjadi tantangan karena melibatkan pencocokan antara keahlian, minat, dan potensi individu. Salah satu upaya yang dapat dilakukan untuk mengatasi permasalahan ini adalah membentuk klasterisasi. Penelitian ini bertujuan untuk menentukan pengelompokan topik skripsi berdasarkan nilai mata kuliah yang sudah diambil dan dilakukan uji validasi untuk merekomendasikan topik skripsi berdasarkan hasil klasterisasi. Dalam penelitian ini, digunakan algoritma K-Means++ untuk mengelompokkan mahasiswa berdasarkan nilai akademik, khususnya rumpun ilmu yang menjadi rujukan pemilihan topik skripsi. Data yang diperoleh berasal dari akademik FMIPA Universitas Tanjungpura dengan menggunakan 43 data mahasiswa matematika 2021. Menggunakan metode Elbow untuk menentukan jumlah klaster. Mencari centroid pertama secara acak dan centroid awal lain menggunakan algoritma K-Means++ dan menggeser centroid dengan iterasi hingga konvergen serta uji validasi menggunakan DBI. Dari hasil perhitungan diperoleh 4 klaster, dengan kombinasi dari klaster 1 menunjukkan minat pada statistika, komputasi dan terapan, klaster 2 menunjukkan minat pada analisis, komputasi dan terapan, klaster 3 menunjukkan minat komputasi dan matematika terapan dan klaster 4 menunjukkan minat pada analisis dan komputasi terapan. Dari hasil uji validasi, menggunakan uji Elbow dan DBI diperoleh nilai terbaik berada pada k=4 dengan nilai uji elbow mengalami penurunan pada k=4 dan nilai uji DBI pada k=4 adalah 1,15. Hal ini menunjukkan bahwa pengelompokan dengan 4 klaster memberikan kualitas klasterisasi terbaik dibandingkan klaster lain.
GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA IPKM DI KALIMANTAN BARAT Ma’ruf, Ikhwan; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 3 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i3.95125

Abstract

Geographically Weighted Regression Principal Component Analysis (GWRPCA) ialah kombinasi metode Geographically Weighted Regression (GWR) serta Principal Component Analysis (PCA). Sehingga metode GWRPCA sangat cocok untuk menganalisis Indeks Pembangunan Kesehatan Masyarakat (IPKM) di Kalimantan Barat. Kesehatan balita, kesehatan reproduksi, pelayanan kesehatan, perilaku kesehatan, penyakit tidak menular, penyakit menular serta kesehatan lingkungan ialah variabel independen yang dipakai. Penelitian ini dimulai dengan proses analisis pemodelan regresi linear berganda. Selanjutnya, analisis GWRPCA akan dipakai sebagai bagian dari menemukan nilai koefisien determinasi global serta lokal. Hasilnya menyatakan bahwa nilai koefisien determinasi (R^2) global sejumlah 96,01%. Di sisi lain, pada model GWRPCA 14 model ditemukan nilai koefisien determinasi lokal pada tiap lokasi. Sambas memiliki koefisien determinasi lokal tertinggi sejumlah 96,06%, serta Kapuas Hulu memiliki koefisien determinasi lokal terkecil sejumlah 95,81%.
ANALISIS RISIKO MENGGUNAKAN VALUE AT RISK DAN EXPECTED SHORTFALL PADA PREDIKSI HARGA SAHAM DENGAN GEOMETRIC BROWNIAN MOTION Dinanti, Rahila Dara; Sulistianingsih, Evy
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 5 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i5.100125

Abstract

Investor menggunakan prediksi harga saham untuk menilai kemungkinan pergerakan harga di masa depan, sehingga investor dapat mengambil keputusan investasi yang lebih tepat. Harga yang terus berubah secara tidak terduga mengakibatkan harga saham sulit diprediksi. Hal tersebut menyebabkan tidak pastinya nilai return atau keuntungan saham, sehingga dibutuhkan model matematis yang dapat memprediksi harga saham di saat waktu mendatang. Model Geometric Brownian Motion (GBM) mampu memprediksi harga saham periode mendatang yang didasarkan pada nilai return saham di masa lalu. Return saham adalah nilai yang dijadikan acuan oleh investor dalam menentukan keuntungan. Keuntungan dari berinvestasi saham selalu disertai dengan risiko. Salah satu langkah pengelolaan manajemen risiko ialah menggunakan Value at Risk (VaR) dan Expected Shortfall (ES). Penelitian ini bertujuan memprediksi harga saham menggunakan GBM dan menghitung risiko berinvestasi saham menggunakan VaR dan ES. Penelitian ini menggunakan harga penutupan saham harian PT. Sumber Alfaria Trijaya Tbk (AMRT) periode 5 Juni 2023 sampai dengan 30 Juli 2024. Langkah-langkah yang dilakukan adalah mengumpulkan data, memprediksi harga saham, dan menghitung risiko menggunakan VaR dan ES. Temuan dari penelitian ini mengindikasikan bahwa rata-rata nilai MAPE berada dibawah 10% sehingga model GBM dikategorikan sangat baik dan hasil dari nilai VaR pada tingkat kepercayaan 90%, 95%, dan 99% adalah 0,02186; 0,02784; dan 0,03903. Sedangkan nilai ES yang diperoleh dengan tingkat kepercayaan 90%, 95%, dan 99% adalah 0,023423; 0,028854; dan 0,039806. Dapat diartikan bahwa, jika investor berinvestasi pada saham AMRT dengan modal awal Rp.100.000.000 pada tingkat kepercayaan 99% terdapat kerugian senilai Rp.3.903.000.
IMPLEMENTASI ALGORITMA GATED RECURRENT UNIT (GRU) UNTUK MEMPREDIKSI HARGA CRUDE PALM OIL (CPO) INDONESIA Robbiati, Dian; Perdana, Hendra; Martha, Shantika
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i4.95959

Abstract

Minyak sawit mentah atau crude palm oil (CPO) merupakan salah satu hasil olahan utama kelapa sawit dengan nilai ekonomis tinggi sebagai komoditas ekspor dan sumber devisa negara. Fluktuasi harga CPO menyebabkan ketidakstabilan harga Tandan Buah Segar (TBS), yang berdampak pada menurunnya pendapatan petani dan risiko kerugian perusahaan akibat biaya produksi yang tidak tertutupi serta penumpukan CPO yang tidak terjual. Penelitian ini bertujuan untuk memprediksi harga CPO Indonesia menggunakan algoritma Gated Recurrent Unit (GRU). GRU merupakan salah satu varian dari algoritma Recurrent Neural Networks (RNN) yang efisien dalam menangani data time series. Data yang digunakan adalah data harga harian CPO Indonesia dari Badan Pengawas Perdagangan Berjangka Komoditi (Bappebti). Dataset kemudian dibagi menjadi data training yang terdiri dari periode 1 April 2023 "“ 31 Mei 2024 dan data testing yang terdiri dari periode 1 Juni "“ 31 Juli 2024. Penelitian ini dilakukan menggunakan software RStudio dengan package "Tsdeeplearning". Proses pelatihan model meliputi inisialisasi bobot dan bias, perhitungan reset gate dan update gate dengan fungsi aktivasi sigmoid, kandidat hidden state dengan fungsi aktivasi tanh, serta hidden state. Pelatihan model berhenti pada epoch ke-10 setelah mencapai kondisi optimum . Hasil penelitian menunjukkan bahwa model GRU memiliki kinerja yang sangat baik dalam memprediksi harga CPO Indonesia. Hal ini ditunjukkan oleh nilai MAPE pada data training dan testing masing-masing sebesar 2,6% dan 2,7%. Hasil prediksi untuk satu bulan ke depan yaitu periode Agustus 2024 menunjukkan bahwa rata-rata harga CPO Indonesia sebesar Rp15.378.
PREDIKSI HARGA SAHAM PT SEMEN INDONESIA (PERSERO) TBK PADA MASA PEMBANGUNAN AWAL IKN DENGAN GERAK BROWN GEOMETRIK Nurfadilah, Kori’ah; Yundari, Yundari; Satyahadewi, Neva
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 5 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i5.99546

Abstract

PT Semen Indonesia (SMGR) memiliki peranan penting dalam pemasok Green Cement pembangunan Ibu Kota Nusantara (IKN). Tingginya permintaan semen yang berkelanjutan untuk proyek besar seperti IKN, potensi pendapatan dan laba SMGR diharapkan meningkat. Harga saham SMGR tetap rentan terhadap risiko meskipun prospek pertumbuhan sangat menjanjikan, kondisi ini sulit untuk diprediksi dan mengakibatkan nilai return yang tidak pasti. Oleh karena itu diperlukan suatu model matematis yang bisa memodelkan harga saham yaitu Gerak Brown Geometrik (GBG). Tujuan dari penelitian ini adalah untuk menentukan tingkat volatilitas saham dan pola pergerakannya selama masa pembangunan awal IKN tahun 2022-2024 serta menghitung tingkat keakuratan model GBG dalam memprediksi saham SMGR. Data yang digunakan adalah data harga saham penutupan pada 15 Februari 2022 hingga 17 Agustus 2024. Tahapan dalam penelitian ini yaitu pengumpulan data, menghitung return saham, menguji data return (uji normalitas), menghitung estimasi parameter, memprediksi harga saham, dan menghitung nilai Mean Absolute Percentage Error (MAPE). Model GBG yang diperoleh nilai volatilitas 1,472 % yang menunjukkan fluktuasi relatif harga saham dalam model dianggap kecil, nilai drift -0,176 % yang artinya pola pergerakan harga saham selama masa pengamatan mengalami penurunan dan diperoleh nilai MAPE dengan melakukan iterasi sebanyak 1,100,500, dan 1000 berturut-turut bernilai 4,747 %, 3,717 %, 2,488 %, dan 2,453 %. Dari iterasi terkecil kemudian dilanjutkan untuk memperoleh proyeksi prediksi dengan jumlah periode waktu 68 dan menghasilkan nilai rata-rata MAPE 7,65%.Hal ini menunjukkan bahwa nilai MAPE prediksi
PENERAPAN RECURRENT NEURAL NETWORK UNTUK MERAMALKAN HARGA CRUDE PALM OIL DI INDONESIA Sesilisvana, Nevil; Perdana, Hendra; Imro’ah, Nurfitri
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i4.99123

Abstract

Machine Learning (ML) merupakan salah satu pendekatan dalam Artificial Intelligence (AI) yang dipakai untuk meniru cara manusia dalam melakukan peramalan secara otomatis. Salah satu metode dalam ML adalah Recurrent Neural Network (RNN). Untuk data deret waktu, RNN cocok digunakan karena mempunyai memori internal yang dapat mengingat informasi masa lalu untuk meramalkan masa depan. Dalam berbagai sektor, kemampuan untuk meramalkan kejadian di masa depan merupakan aspek penting untuk dipertimbangkan dalam perencanaan, pengambilan keputusan dan manajemen risiko. Pada sub sektor perkebunan seperti kelapa sawit, minyak sawit mentah (CPO) merupakan hasil olahan kelapa sawit yang dimanfaatkan sebagai bahan baku produk pangan maupun non-pangan. Fluktuasi harga CPO di Indonesia dapat menyebabkan kerugian tidak hanya pada produsen tetapi juga pada konsumen. Untuk meminimalisir kerugian tersebut maka diperlukannya peramalan harga CPO. Data yang digunakan pada penelitian ini adalah harga CPO di Indonesia dari 1 April 2023 hingga 31 Juli 2024. Penelitian ini menggunakan 260 data training dan 41 data testing. Evaluasi kinerja model yang digunakan untuk melihat seberapa baik model dalam melakukan peramalan ialah Mean Absolute Percentage Error (MAPE). Dari tahap pelatihan dan pengujian yang telah dilakukan, menunjukkan bahwa nilai MAPE sebesar 3,08% untuk data training dan 3,2% untuk data testing. Dikarenakan nilai MAPE kurang dari 10% maka disimpulkan bahwa model yang dibangun memiliki kemampuan peramalan yang sangat baik. Hasil dari peramalan periode 1 bulan ke depan yaitu Agustus 2024 menunjukkan bahwa rata-rata harga CPO pada bulan Agustus 2024 sebesar Rp15.302.
KLASIFIKASI KELULUSAN MAHASISWA FMIPA UNTAN DENGAN LIGHT GRADIENT BOOSTING MACHINE Sadikin, Utin Azwa Sayhani; Martha, Shantika; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 3 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i3.95348

Abstract

Kelulusan mahasiswa tepat waktu merupakan salah satu indikator keberhasilan dalam pendidikan tinggi. Pencapaian ini dipengaruhi oleh berbagai faktor, seperti performa akademik, latar belakang pendidikan, serta aspek sosial dan ekonomi. Oleh karena itu, diperlukan metode klasifikasi yang efektif untuk membantu pihak program studi maupun fakultas dalam menganalisis faktor-faktor yang berkontribusi terhadap kelulusan mahasiswa dan mengambil langkah strategis yang tepat. Salah satu metode yang dapat digunakan adalah Light Gradient Boosting Machine (LightGBM), yaitu sebuah algoritma berbasis Gradient Boosting Decision Tree yang dioptimalkan efisiensi dan kecepatannya. Penelitian ini bertujuan untuk mengklasifikasikan kelulusan mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) Universitas Tanjungpura (UNTAN) menggunakan metode Light Gradient Boosting Machine (LightGBM) dan mengevaluasi hasil klasifikasi tersebut dengan nilai akurasi. Dataset yang digunakan mencakup berbagai variabel seperti faktor akademik yaitu, Indeks Prestasi Semester, dan faktor ekonomi keluarga. Proses pembangunan model dimulai dengan tahap pra-pemrosesan data, termasuk pembersihan data dan transformasi variabel. Model LightGBM kemudian dibangun menggunakan hyperparameter yang dioptimalkan untuk memperoleh performa terbaik. Setelah pembuatan model selesai, model disimpan dan dimuat kembali untuk melakukan klasifikasi pada data. Hasil penelitian ini didapatkan kesimpulan bahwa mahasiswa yang mendapatkan nilai IP

Page 80 of 84 | Total Record : 832

 78   79   80   81   82 

Filter by Year

2012 2025


Reset
Filter By Issues
All Issue Vol 14, No 6 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 5 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 3 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya 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 : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): BIMASTER Vol 8, No 4 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): BIMASTER Vol 8, No 3 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 3 (2019): BIMASTER Vol 8, No 2 (2019): BIMASTER Vol 8, No 2 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 1 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 1 (2019): BIMASTER Vol 7, No 4 (2018): BIMASTER Vol 7, No 4 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 3 (2018): BIMASTER Vol 7, No 3 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 2 (2018): BIMASTER Vol 7, No 2 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya 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 Vol 6, No 01 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya 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