Untitled

Abstract

Penelitian ini bertujuan untuk mengetahui kesejahteraan psikologis siswa SMP Terbuka yang diprediksi oleh kecerdasan emosi dan dukungan sosial. Asumsi awal yang diajukan adalah kecerdasan emosi dan dukungan sosial dapat memprediksi kesejahteraan psikologis pada siswa SMP Terbuka. Sampel dalam penelitian ini adalah 100 siswa SMP Terbuka di Cirebon yang diambil dengan teknik cluster random sampling. Alat ukur yang digunakan dalam penelitian terdiri dari 3 skala. Pertama, skala kesejahteraan psikologis yang disusun berdasarkan aspek-aspek dari Ryff (1989) berjumlah 30 item dengan koefisien korelasi 0,312-0,590 dan koefisien alpha sebesar 0,887. Kedua, skala kecerdasan emosi berdasarkan aspek-aspek dari Goleman (2002) yang terdiri dari 29 item dengan koefisien korelasi 0,331-0,631 dan koefisien alpha sebesar 0,897. Ketiga, skala dukungan sosial yang disusun berdasarkan aspek-aspek dari Cohen dan Syme (1985) yang terdiri dari 28 item koefisien korelasi 0,350-0,624 dan koefisien alpha sebesar 0,895. Metode analisis data dalam penelitian ini menggunakan analisis regresi ganda. Hasil analisis regresi menunjukan F= 63,883, p=0,001 (p<0,05) dan R2=0,568 yang artinya kecerdasan emosi dan dukungan sosial dapat memprediksi kesejahteraan psikologis pada siswa SMP Terbuka. Kecerdasan emosi dan dukungan sosial memberi kontribusi sebesar 56,8% terhadap kesejahteraan psikologis.

Identification of mangrove forests using Sentinel-1 Synthetic Aperture Radar (SAR) satellite imagery in Medan Belawan District, Medan City

“…The difference in accuracy results obtained based on this study is that there are differences in the number of land cover classifications. This study used only 5 land cover classes, while this study used 8 land cover classes [19]. The results of land cover classification using the random forest method and maximum likelihood in Medan Belawan District in 2023 can be seen in Table 4 and Table 5.…”

“…When viewing the many classifications of natural land cover, pixel-based classification is clearer and more detailed. Using pixel-based categorization, one class of pixels can be distinguished from nearby classes [19].…”

“…When viewing the many classifications of natural land cover, pixel-based classification is clearer and more detailed. Using pixel-based categorization, one class of pixels can be distinguished from nearby classes[19].The accuracy resulting from this research is an initiation in using multisource sensing remote data with the RF algorithm. The RF algorithm does a great job of handling various data compositions.…”