REGRESI WEIBULL DALAM PEMODELAN LAMA KULIAH

MAHASISWA MATEMATIKA

PROPOSAL SKRIPSI
Diajukan Sebagai Persyaratan Memperoleh Gelar Sarjana Statistika pada
Program Studi Statistika, Jurusan Matematika, Universitas Negeri Gorontalo

FINGKI SYAKILA
413417022

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI GORONTALO
2021
REGRESI WEIBULL DALAM PEMODELAN LAMA KULIAH
MAHASISWA MATEMATIKA

PROPOSAL SKRIPSI
Diajukan Sebagai Persyaratan Memperoleh Gelar Sarjana Statistika pada
Program Studi Statistika, Jurusan Matematika, Universitas Negeri Gorontalo

FINGKI SYAKILA
413417022

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI GORONTALO
2021

i
 DAFTAR ISI

HALAMAN SAMPUL i

DAFTAR ISI ii

DAFTAR TABEL iv

DAFTAR GAMBAR v

I PENDAHULUAN 1
1.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Rumusan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Tujuan Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Manfaat Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

II LANDASAN TEORI 4
2.1 Kajian Teori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.1 Waktu Lama Studi . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.2 Analisis Survival . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.3 Fungsi Survival . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.4 Fungsi Hazard . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.5 Regresi Weibull . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.6 Estimasi Parameter Regresi Weibull . . . . . . . . . . . . . . 7
2.2 Penelitian Relevan . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

III METODOLOGI PENELITIAN 13

3.1 Waktu dan Tempat Penelitian . . . . . . . . . . . . . . . . . . . . . . 13
3.1.1 Waktu Penelitian . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.2 Tempat Penelitian . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Metode Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.1 Variabel Penelitian . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.1.1 Definisi Konseptual . . . . . . . . . . . . . . . . . 14
3.2.1.2 Definisi Operasional . . . . . . . . . . . . . . . . . 15
3.2.2 Sumber Data . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2.3 Metode Pengambilan Data . . . . . . . . . . . . . . . . . . . 16
 3.3 Diagram Alir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

DAFTAR PUSTAKA 18

iii
 DAFTAR TABEL

2.1 penelitian yang relevan . . . . . . . . . . . . . . . . . . . . . . . . . 9

3.1 Waktu Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

3.2 Variabel Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
 DAFTAR GAMBAR

3.1 Tahapan Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

 BAB I

PENDAHULUAN

1.1 Latar Belakang

Jumlah mahasiswa yang menyelesaikan studinya tepat waktu merupakan salah satu
indikator yang dapat menggambarkan kualitas suatu universitas atau jurusan. Hal
ini sesuai dengan Peraturan Menteri Riset dan Teknologi Pendidikan Tinggi No 44
tahun 2015, masa studi maksimal bagi mahasiswa S1 adalah 7 tahun. Selain itu, di-
ungkapkan juga Badan Akreditasi Nasional-Perguruan Tinggi (BAN-PT) (2019), salah
satu indikator evaluasi perguruan tinggi adalah persentase kelulusan tepat waktu un-
tuk masing-masing mata kuliah. Oleh karena itu, banyaknya mahasiswa yang lulus
tepat waktu merupakan komponen pendidikan tinggi yang sangat perlu diperhatikan.
Apabila lewat dari itu maka mahasiswa tersebut akan di Drop Out oleh karena itu,
mahasiswa diharapkan lulus tepat waktu selama minimal 4 tahun masa studi.
Berdasarkan hasil pengamatan di lapangan, masih terdapat mahasiswa yang tidak
dapat menyelesaikan studi dengan tepat waktu. Jurusan Matematika Universitas
Negeri Gorontalo pada periode wisuda September 2019 menamatkan mahasiswanya
sebanyak 63 orang yang terdiri 42 orang wisuda tepat waktu, dan 21 orang wisuda
tidak tepat waktu. Selain masalah penyelesaian studi yang tidak tepat waktu, juga
terdapat masalah Drop Out (DO) bagi mahasiswa yang telah melewati 7 tahun masa
studi. Lama studi mahasiswa tentunya disebabkan oleh banyak faktor. Hutahaean, et
al (2014) dalam penelitiannya mengemukakan bahwa lama studi dipengaruhi oleh ju-
rusan, IPK, dan Organisasi. Dalam penelitian yang lain, Astutik dan Tresnawan (2017)
menemukan bahwa gender dan asal sekolah menjadi salah satu faktor yang mempen-
garuhi lama studi. Faktor-faktor yang dapat mempengaruhi lama studi sebagaimana
yang dipaparkan di atas, perlu dikaji lebih jauh lagi agar dapat menjadi pelajaran un-
tuk mahasiswa-mahasiswa lainnya dan menjadi pedoman bagi pihak perguruan tinggi
dalam pembuatan kebijakan-kebijakan kampus.
Analisis survival menggambarkan analisis data dari waktu pengamatan sampai ter-
jadinya suatu peristiwa dalam bentuk waktu. Waktu sebelum kejadian biasanya disebut
waktu survival. Analisis survival dalam penelitian ini menggunakan model survival
parametrik yaitu model regresi parametrik, dimana parameternya adalah jumlah para-
meter dalam model regresi berganda. Selain itu, model survival parametrik adalah
model yang mengasumsikan waktu survival mengikuti distribusi yang diketahui (Har-
lan, 2017), dan regresi merupakan metode yang digunakan untuk mengetahui pengaruh
variabel bebas terhadap variabel terikat (survival time). Model regresi parametrik bi-
asanya menggunakan asumsi survival time yang mengikuti distribusi Weibull. (Zhang,
2016).
Berdasarkan penjelasan - penjelasan di atas, peneliti tertarik untuk melakukan
penelitian yang berjudul: Regresi Weibull dalam pemodelan lama kuliah Maha-
siswa Matematika.
Beberapa penelitian yang relevan terkait dengan Regresi Weibull yaitu pada tahun
2019, Novita Eka Chandra bersama Siti Alfiatur Rohmaniah melakukan penelitian
tentang Analisis Survival Model Regresi Parametrik Lama Studi Mahasiswa dengan
menggunakan metode Analisis survival, analisis survival model regresi log-normal dan
analisis survival model regresi weibull yang menghasilkan bahwa IPK dan faktor or-
ganisasi berpengaruh signifikan terhadap lama studi mahasiswa. Pengkajian lebih jauh
dari faktor-faktor yang mempengaruhi lama studi dapat dilakukan menggunakan ana-
lisis survival. Analisis survival adalah model regresi Weibull yang dapat digunakan
untuk pemodelan lama studi mahasiswa matematika.

1.2 Rumusan Masalah

Berdasarkan latar belakang permasalahan di atas, maka didapatkan rumusan

masalah sebagai berikut :

2
 1. Bagaimana model regresi dari faktor-faktor yang diduga mempengaruhi lama
studi mahasiswa S1 Matematika angkatan 2015 berdasarkan metode regresi
weibull?
2. Faktor-faktor apa saja yang berpengaruh secara signifikan terhadap lama studi
mahasiswa S1 Matematika UNG angkatan 2015?

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah di atas, maka tujuan dari penelitian ini adalah :
1. Mengetahui model regresi weibull dari faktor-faktor yang diduga mempengaruhi
lama studi mahasiswa S1 Matematika UNG angkatan 2015.
2. Mengetahui faktor-faktor yang berpengaruh secara signifikan terhadap lama
studi mahasiswa S1 Matematika UNG angkatan 2015.

1.4 Manfaat Penelitian

Manfaat dari penelitian ini adalah:

1. Manfaat Teoritis
Hasil dari penelitian ini dapat menambah pengetahuan peneliti tentang penggu-
naan model regresi weibull dalam pemodelan lama studi.
2. Manfaat Praktis
Diharapkan dengan adanya penelitian ini, dapat memberikan informasi kepada
mahasiswa ataupun civitas akademik mengenai faktor-faktor yang mempen-
garuhi lama studi, terutama faktor-faktor yang berpengaruh secara signifikan
terhadap lama studi sebagai bahan evaluasi.

3
 BAB II

LANDASAN TEORI

2.1 Kajian Teori

2.1.1 Waktu Lama Studi

Lamanya waktu belajar mahasiswa mengacu pada waktu yang dibutuhkan maha-
siswa untuk menyelesaikan studinya mulai dari awal studi hingga pengumuman kelu-
lusan atau penyelesaian studi. Lama studi perkuliahan berbeda-beda, jenjang D3 lama
studi 6 semester (36 bulan), waktu studi S1 8 semester (48 bulan), dan waktu studi S2
4 semester (24 bulan).
Banyak faktor yang diyakini akan mempengaruhi waktu belajar mahasiswa, terma-
suk faktor internal dan eksternal. Faktor internal berasal dari siswa, seperti kemampuan
belajar, tingkat aktivitas siswa, kemampuan pemecahan masalah (tingkat intelektual),
dll. Faktor eksternal yaitu dari luar peserta didik, seperti kondisi lingkungan, per-
gaulan, dukungan orang tua, sarana dan prasarana yang dimiliki, dan faktor lainnya
(Fitriana, 2016).

2.1.2 Analisis Survival

Analisis Survival adalah analisis data yang berhubungan dengan waktu, mulai dari
awal sampai terjadinya suatu peristiwa khusus. Dalam analisis survival terdapat se-
lang waktu dari suatu pengamatan terhadap objek dari awal kejadian sampai terjadinya
peristiwa tertentu yang disebut waktu survival. Selain itu, analisis survival merupakan
seperangkat prosedur statistik yang digunakan Analisis datanya, dimana variabel yang
dipertimbangkan adalah waktu sampai kejadian itu terjadi. Waktu yang dimaksud
dalam hal ini dinyatakan dalam tahun, bulan, minggu, atau hari dari awal mula di-
lakukan pengamatan pada seorang individu sampai suatu peristiwa terjadi pada indi-
vidu tersebut (Collet, 2003).
Tujuan dari Analisis survival untuk mengetahui hubungan antara waktu terjadinya
Variabel independen diukur pada saat penelitian. Selain itu, digunakan untuk melihat
faktor-faktor yang dapat berpengaruh dalam sebuah kejadian atau peristiwa. Analisis
yang digunakan untuk meneliti faktor-faktor yang mempengaruhi lama studi maha-
siswa pada penelitian ini adalah analisis ketahanan hidup atau analisis survival. Ana-
lisis survival adalah analisis yang digunakan untuk menggambarkan analisis data di
dalam waktu yang didefinisikan dari awal sampai berakhirnya suatu kejadian (event)
(Latan, 2014).
Waktu Survival yang dicatat memiliki dua kriteria yaitu uncencored data (data
tidak tersensor) dan cencored data (data tersensor). Data tidak tersensor adalah selisih
waktu mulai dilakukannya pengamatan sampai waktu terjadinya failure event. Data
tersensor adalah data yang waktu terjadinya failure event tidak diketahui. Perbedaan
analisis survival dengan analisis statistika lainnya terletak pada konsep penyensoran
(Rainaningtyas, 2015).

2.1.3 Fungsi Survival

Apabila T merupakan notasi dari waktu Survival dan merupakan variable random
yang memiliki fungsi distribusi peluang f (t), maka fungsi distribusi dari T dinyatakan
dengan:

Z t
F (t) = P (T < t) = f (t)dt (2.1)
0

Fungsi F(t) di atas menyatakan bahwa probabilitas waktu survival lebih kecil dari
suatu nilai t.

S(t) = P (T ≥ t) = 1 − F (t) (2.2)

5
 Fungsi Survival S(t) di atas dapat menyatakan bahwa probabilitas waktu survival
lebih besar atau sama dengan t, sehingga S(t) dapat digunakan untuk menyatakan prob-
abilitas suatu objek untuk bertahan dari waktu mula-mula sampai waktu kejadian (t)

2.1.4 Fungsi Hazard

Fungsi Hazard didefinisikan sebagai probabilitas suatu individu mengalami keja-

dian dalam interval waktu dari t sampai M t dengan syarat individu tersebut masi berta-
han hidup sampai waktu t. Fungsi Hazard dinyatakan sebagai berikut:

P (t ≤ T < t+ M t|T ≥ t)
h(t) = limMt−→∞ (2.3)
Mt

2.1.5 Regresi Weibull

Fungsi survival S(t) dari Model Regresi weibull 2 parameter adalah sebagai berikut:

ti γ
S(ti ) = exp[−( ) ] (2.4)
λi

Model Regresi Weibull adalah sebagai berikut :

λ = exp(β0 + β1 χ1 + β2 χ2 + ... + βp χp ) (2.5)

Dengan :

X1 , X2 , ..., Xp adalah variabel-variabel bebas

β1 , β2 , ..., βp adalah koefisien parameter

6
 Untuk waktu kematian ti dimana i adalah mahasiswa yang berkontribusi untuk Like-
lihood, estimasi fungsi kepadatan probabilitas (FKP) dinyatakan dalam persamaan:

−∂s(t) γ ti
f (ti ) = |t=ti = γ tγ−1 exp[−( )γ ] (2.6)
∂t λi λi

Dimana : λi = exp(β0 + β1 χi1 + β2 χi2 + ... + βp χip )

Fungsi Hazard dari Model Regresi Weibull 2 Parameter adalah sebagai berikut.

γ γ−1
h(t) = t (2.7)
λ

2.1.6 Estimasi Parameter Regresi Weibull

Fungsi kepadatan probabilitas dari (FKP) dari distribusi Weibull 2 parameter de-
ngan parameter λ (scale),dan γ (shape) memiliki persamaan:

−∂s(t) γ ti
f (ti ) = |t=ti = γ tγ−1 exp[−( )γ ] (2.8)
∂t λi λi

Fungsi likelihood dari FKP di atas dapat didefinisikan sebagai berikut:

γ γ−1 ti
ln(L(γ, λ)) = Πni=1 [ γt exp[−( )γ ] (2.9)
λi λi

Selanjutnya diperoleh ln-likelihood sebagai berikut:

ln(L(γ, λ)) = Σni=1 [lnγ − lnλi γ + (γ − 1)lnti − λ−γ γ

i ti ] (2.10)

Selanjutnya diperoleh:

ln(L(γ, β)) = Σni=1 [Zi lnγ − Zi (XiT β)γ + Zi (γ − 1)lnti − Zi ti γexp(−XIT βγ)](2.11)

7
 Dengan :


1, jika
 ti menggambarkanwaktukematian
Zi = (2.12)

0, jika
 ti nilaisensor

XiT β = β0 + β1 Xi1 + β2 Xi2 + ... + βp Xip

β = [β0 β1 β2 ...βp ]T

Xi = [1Xi1 Xi2 ...Xip ]

Persamaan ln-likelihood di atas membutuhkan pemecahan agar dapat ditemukan
nilai parameter maksimum.

8
 2.2 Penelitian Relevan

Tabel 2.1: penelitian yang relevan

No. Judul Penelitian Nama Peneliti Tujuan Variabel Kesimpulan

Hasil penelitian tersebut menun-

jukan bahwa faktor-faktor yang

Tujuan dari penelitian mempengaruhi lama studi ma-

ini adalah untuk menge- hasiswa diantaranya adalah IPK

Analisis Survival Model Novita Eka Chan- Variabel yang digunakan
tahui faktor-faktor yang dan organisasi. Mahasiswa yang
1 Regresi Parametrik Lama dra dan Siti Alfiatur dalam penelitian ini IPK,
berpengaruh signifikan memiliki IPK lebih tinggi dan
Studi Mahasiswa Rohmaniah dan organisasi
terhadap lamanya studi tidak aktif berorganisasi lebih

mahasiswa cepat lulus atau dapat dikatakan

memiliki lama studi yang lebih

sedikit

9
 No. Judul Penelitian Nama Peneliti Tujuan Variabel Kesimpulan

Variabel yang digu-

nakan dalam penelitian Hasil penelitian ini menun-
Tujuan dari peneli-
ini yaitu asal seko- jukkan bahwa mahasiswa
tian ini adalah untuk
Analisis pengaruh lama lah, pekerjaan orang yang lulus dalam kategori
Gathut Cakra Su- mengetahui pengaruh
studi mahasiswa teknik tua, kelas, dan nilai semester 6-7 adalah dominan
2 tradana dan M. lama studi mahasiswa
informatika UIN Sunan IPK serta lama studi mahasiswa yang berasal dari
Didik R. teknik informatika
Kalijaga Yogyakarta (dalam semester) yang sekolah SMA, kelas reguler
UIN Sunan Kalijaga
sebelumnya telah dengan kecenderungan nilai
Yogyakarta
dikategorikan oleh IPK sebesar 3,51-3,75
peneliti

10
 No. Judul Penelitian Nama Peneliti Tujuan Variabel Kesimpulan

Tujuan dari peneli- Hasil dari penelitian ini

Variabel independen
Faktor-faktor yang tian ini adalah untuk menunjukkan bahwa faktor-
yang digunakan adalah
mempengaruhi lama mengetahui factor- faktor yang mempengaruhi
jenis kelamin, jurusan,
studi mahasiswa S1 Landong Pana- faktor yang mem- lama studi mahasiswa S1
3 IPK, pekerjaan orang
Fakultas Sains dan hatan Hutahaen pengaruhi lama studi Fakultas Sains dan Matem-
tua, asal, jalur masuk,
Matematika Universi- mahasiswa S1 Fakultas atika Universitas Diponegoro
beasiswa, organisasi,
tas Diponegoro Sains dan Matematika adalah jurusan, organisasi,
dan part time
Universitas Diponegoro dan IPK.

11
 Pada penelitian ini, metode yang digunakan sama dengan penelitian relevan yang
pertama yaitu Regresi Weibull dan studi kasus yang digunakan sama dengan penelitian
yang Pertama, Kedua, dan Ketiga. Perbedaan penelitian ini dengan sebelumnya adalah
pada penelitian ini di gunakan dalam pemodelan lama kuliah mahasiswa Matematika.

12
 BAB III

METODOLOGI PENELITIAN

3.1 Waktu dan Tempat Penelitian

3.1.1 Waktu Penelitian

Tabel 3.1: Waktu Penelitian

3.1.2 Tempat Penelitian

Penelitian ini akan dilaksanakan di Jurusan Matematika Fakultas Matematika dan

Ilmu Pengetahuan Alam Universitas Negeri Gorontalo Tahun Ajaran 2020/2021.

3.2 Metode Penelitian

3.2.1 Variabel Penelitian

Variabel dalam penelitian ini adalah lama studi mahasiswa S1 Matematika Univer-
sitas Negeri Gorontalo angkatan 2015.
 Tabel 3.2: Variabel Penelitian

3.2.1.1 Definisi Konseptual

1. Nilai IPK
IPK atau yang biasa disebut nilai rata-rata adalah ukuran kemampuan mahasiswa
dalam kurun waktu tertentu yang dihitung berdasarkan jumlah SKS yang diper-
oleh (Hasan, 2012).
2. Jenis Kelamin
Jenis kelamin mahasiswa yang digunakan dalam penelitian ini dikategorikan
menjadi 2, yaitu (1) mahasiswa berjenis kelamin laki-laki dan (2) mahasiswa
berjenis kelamin perempuan.
3. Jenis SMA Asal
Mahasiswa FMIPA UNG berasal dari SMA/MA, SMK, dan sekolah lain yang
sederajat. Jenis SMA asal mahasiswa pada penelitian ini dikelompokkan men-
jadi 4 kategori, yaitu (1) SMA/MA IPA, (2) SMA/MA IPS, (3) SMK, dan (4)
lain-lain.
4. Penghasilan Orang Tua
Variabel ini menggambarkan jumlah penghasilan yang didapatkan orang tua ma-
hasiswa Matematika UNG angkatan 2015.
5. Pekerjaan Ayah
Variabel ini menggambarkan jenis pekerjaan ayah mahasiswa FMIPA UNG yang

14
 terbagi menjadi 4 kategori antara lain, yaitu (1) wiraswasta, (2) pegawai swasta,
(3) pegawai negeri, dan (4) lain-lain.
6. Pekerjaan Ibu
Variabel ini menggambarkan jenis pekerjaan ibu mahasiswa FMIPA UNG yang
terbagi menjadi 4 kategori antara lain, yaitu (1) wiraswasta, (2) ibu rumah
tangga, (3) pegawai negeri, dan (4) lain-lain.

3.2.1.2 Definisi Operasional

1. Nilai IPK
Ukuran untuk menentukan kemampuan mahasiswa yang dapat dihitung
berdasarkan jumlah SKS yang diperoleh mahasiswa Matematika UNG angkatan
2015.
2. Jenis Kelamin
Persentase perbandingan waktu lama studi antara laki laki dan perempuan ma-
hasiswa Matematika UNG angkatan 2015.
3. Jenis SMA Asal
Persentase perbandingan waktu lama studi berdasarkan asal sekolah mahasiswa
Matematika UNG angkatan 2015.
4. Penghasilan Orang Tua
Menunjukan pengaruh lama studi terhadap penghasilan ekonomi orangtua ma-
hasiswa Matematika UNG angkatan 2015.
5. Pekerjaan Ayah
Menunjukan jenis pekerjaan ayah yang berpengaru terhadap waktu lama studi
mahasiswa Matematika UNG angkatan 2015.
6. Pekerjaan Ibu
Menunjukan jenis pekerjaan ibu yang berpengaru terhadap waktu lama studi ma-
hasiswa Matematika UNG angkatan 2015.

15
3.2.2 Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang berasal dari
data mahasiswa FMIPA UNG Angkatan 2015. Variabel penelitian yang digunakan
adalah, IPK, jenis kelamin, jenis SMA asal, penghasilan orang tua, pekerjaan ayah,
dan pekerjaan ibu.

3.2.3 Metode Pengambilan Data

Data yang diperoleh dalam penelitian ini adalah data sekunder yang bersumber dari
Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Negeri Gorontalo. Data ini merupakan data mahasiswa S1 mahasiswa Matematika
UNG 2015 yang telah lulus atau belum sampai terhitung 8 semester dari awal masuk
di Jurusan Matematika UNG.

3.3 Diagram Alir

Berikut ini adalah langkah analisis yang digunakan dalam melakukan penelitian:

16
Gambar 3.1: Tahapan Penelitian

17
 DAFTAR PUSTAKA

Astuti, Y. S., & Tresnawan, D. (2017). Implementasi Cox Proportional Hazard Model
Parametrik Pada Analisis Survival (Studi Kasus: Mahasiswa Universitas Interna-
sional Batam). Unisda Journal of Mathematics and Computer Science (UJMC),
3(1), 2938.

Bangun, P. BJ., Irmeilyana, & Indri, A. 2011. Analisis Korespondensi untuk Menge-
tahui Hubungan Lama Studi dengan IPK dan Lama Skripsi Alumni Matematika
FMIPA UNSRI Angkatan 2001-2002. Jurnal Penelitian Sains. 14 (1), 13-18.

Collet, D. 2003. Modelling Survival Data in Medical Research. London: Chapman &.
Hall.

Fitriana, R. 2016. Analisis Survival Faktor-faktor yang Mempengaruhi Lama Studi Ma-
hasiswa Pendidikan Matematika Angkatan 2010 dengan Metode Regresi Cox
Proportional Hazard. Skripsi. Semarang: FMIPA Universitas Negeri Semarang.

Gaspersz, Vincent. 1989. Statistika. Armico : Bandung

Harlan, J. (2017). Analisis Survival. Depok: Gunadarma

Hasan, M. N. 2012. Sebenarnya IPK, Penting Gak

Sih?. Diakses pada 11 November 2017 melalui
https://googleweblight.com/?lite url=https://www.kompasiana.com/penaber
bicara/sebenarnya-ipk-penting-gak-sih.

Hutahaean, L. P., Mukid, M. A., & Wuryandari, T. (2014). Model Regresi Cox Propor-
tional Hazard Pada Data Lama Studi Mahasiswa (Studi Kasus Di Fakultas Sains
dan Matematika Universitas Diponegoro Semarang Mahasiswa Angkatan 2009).
Jurnal Gaussian, 3(2), 173181.
Latan, H. 2014. Aplikasi Analisis Data Statistik Untuk Ilmu Sosial dan Sains dengan IBM
SPSS. Bandung: Alfabeta.

Rainaningtyas, H. N. 2015. Penerapan Model Regresi Cox Proportional Hazard dengan

Menggunakan Pendekatan Efron terhadap Kejadian Bersama pada Kasus Kece-
lakaan Lalu Lintas. Skripsi. Yogyakarta: FMIPA Universitas Negeri Yogyakarta.

Somantri, Ating dan Sambas Ali Muhidin. 2006. Aplikasi Statistika dalam Penelitian.
Pustaka Ceria: Bandung.

Sutradana, G. C., & M. Didik, R. W. 2017. Penerapan Data Mining untuk Analisis Pen-
garuh Lama Studi Mahasiswa Teknik Informasi UIN Sunan Kalijaga Yogyakarta
Menggunakan Metode Apriori. JISKa, 1(3), 153-162.

19