Pengaruh hardiness dan dukungan teman sebaya terhadap quarter life crisis pada mahasiswa (pulau Sumatera) tingkat akhir di Universitas Islam Negeri Walisongo Semarang
Bibliographic record
Abstract
Penelitian ini bertujuan menguji secara empiris pengaruh hardiness dan dukungan teman sebaya terhadap quarter life crisis pada mahasiswa tingkat akhir di Universitas Islam Negeri Walisongo Semarang dari pulau Sumatera. Metode yang digunakan pada penelitian ini menggunakan metode penelitian kuantitatif dengan jenis kausalitas sebanyak 185 mahasiswa. Metode pengambilan sampel dalam penelitian ini menggunakan jenis accidental sampling dengan teknik Non-probability sampling. Alat ukur yang digunakan dalam penelitian ini adalah skala quarter life crisis, skala hardiness, dan skala dukungan teman sebaya. Analisis yang digunakan dalam penelitian ini menggunakan teknik analisis regresi linear berganda dengan SPSS. Hasil penelitian ini menunjukkan bahwa terdapat pengaruh signifikan dari hardiness dan dukungan teman sebaya terhadap quarter life crisis pada mahasiswa tingkat akhir di Universitas Islam Negeri Walisongo Semarang dari Pulau Sumatera dengan nilai signifikansi sebesar 0,000 (p<0,05), dalam koefisien determinasi sebesar 0,522 yang artinya terdapat pengaruh hardiness dan dukungan teman sebaya terhadap quarter life crisis pada mahasiswa tingkat akhir di Universitas Islam Negeri Walisongo Semarang dari Pulau Sumatera dengan persentase sebesar 52,2%. Hasil penelitian ini dapat berguna untuk pengembangan hardiness dan peningkatan dukungan teman sebaya di lingkungan kampus dapat menjadi strategi efektif untuk mengurangi risiko terjadinya quarter life crisis. Institusi pendidikan dapat mempertimbangkan untuk mengadakan program peningkatan ketahanan mental seperti layanan konseling serta menciptakan lingkungan sosial yang memiliki kesadaran terhadap quarter life crisis dan mempersiap mahasiswanya menuju dunia kerja, baik dari sesama mahasiswa, dosen, maupun staf akademik. Dengan demikian, diharapkan mahasiswa dapat lebih mampu mengelola tekanan yang dimiliki secara lebih baik, meningkatkan kesejahteraan psikologis, dan mengontrol emosionalnya.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".