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.