Pemodelan Kausal Faktor-Faktor Beban Keluarga Dalam Merawat Pasien Kanker Dengan Algoritma S3C-Latent

Abstract

Pasien kanker memiliki kebutuhan yang kompleks mulai dari masalah fisik, psikologis, sosial dan spiritual. Keluarga yang merawat pasien kanker disebut family caregiver. Seorang family caregiver membantu mengatasi hampir semua permasalahan yang dialami pasien baik saat dirawat di rumah maupun di rumah sakit. Keluarga mengalami suka dan duka dalam merawat pasien. Kesulitan yang dialami family caregivers dalam merawat anggota keluarganya disebut dengan beban caregiver, yang meliputi beban fisik, psikologis, sosial, dan keuangan. Dalam merawat pasien dengan penyakit kronis, bukan hanya pasien tetapi kesejahteraan dan kualitas hidup family caregiver juga penting. Oleh karena itu sangat penting untuk mengetahui bagaimana beban family caregiver dan faktor-faktor yang mempengaruhi beban keluarga dalam merawat pasien. Beban family caregiver dapat diukur menggunakan Caregiver Reaction Assesment (CRA), yang direpresentasikan oleh beberapa faktor. Dengan memahami hubungan kausal antara faktor-faktor beban keluarga, diharapkan dapat membantu untuk mengidentifikasi bagaimana beban caregiver bersumber dan berdampak. Untuk itu, penelitian ini bertujuan untuk menemukan model kausal antara faktor-faktor yang berhubungan dengan beban family caregiver dalam merawat pasien. Lebih spesifiknya, penelitian ini tertarik untuk melihat model hubungan kausal antara faktorfaktor

tersebut dalam konteks demografi yang berbeda yaitu dari gender, umur dan penghasilan. Penelitian ini menggunakan algoritma pemodelan kausal bernama Stable Specification Search for Cross-sectional Data with Latent Variable (S3C-Latent) yang telah publikasikan dalam bentuk paket software untuk bahasa pemrograman R. S3C-Latent digunakan untuk mendapatkan model kausal antara faktor-faktor beban family caregiver yang relevan (stabil dan sederhana). Sebelum data digunakan untuk pemodelan kausal, dilakukan terlebih dahulu Exploratory Factor Analysis (EFA) untuk memeriksa konstuksi instrumen dan melakukan ekplorasi untuk menentukan model faktor yang baru. Hasil dari EFA dan variabel gender, umur dan penghasilan digunakan untuk pemodelan kausal dengan algoritma S3C-Latent. Pemodelan kausal dengan algoritma S3C-Latent menghasilkan tiga model kausal, yaitu model kausal A yang merupakan model kausal hasil komputasi dari faktor-faktor beban keluarga dan variabel gender. Kemudian model kausal B yang merupakan model kausal hasil komputasi dari faktor-faktor beban keluarga dan variabel umur. Serta yang terakhir adalah model kausal C yang merupakan model kausal hasil komputasi dari faktor-faktor beban keluarga dan variabel penghasilan. Dari tiga model kausal yang di dapat, menghasilkan 16 hubungan kausal dan 3 hubungan asosiasi yang kuat. Evaluasi terkait model kausal kepada 36 responden yang terdiri dari 16 orang dokter, 13 orang perawat, 5 orang dosen dan 2 orang mahasiswa keperawatan, secara umum mengatakan setuju dengan model kausal yang didapat.