Membedakan Korelasi dan Kausalitas

Dua variabel yang bergerak bersamaan adalah salah satu bahan cerita paling menggoda dalam laporan data. “Es teh laku, es kopi ikut laku — jadi promosikan keduanya bersama!” terdengar masuk akal, padahal kalimat seperti itu diam-diam melompat dari “berkorelasi” ke “saling memengaruhi”. Lompatan tersebut bukan sekadar salah secara teknis; ia bisa menghasilkan keputusan yang mahal. Pada chapter ini kita bedah mengapa korelasi tidak otomatis menjadi kausalitas, bagaimana konfounder bekerja, dan bagaimana merumuskan kalimat yang jujur ketika kita hanya memegang korelasi.

Mengapa Korelasi Bukan Kausalitas #

Korelasi hanya menyatakan bahwa dua variabel bergerak bersamaan; kausalitas menyatakan bahwa mengubah satu variabel akan mengubah variabel lainnya. Jarak di antara keduanya bisa diisi oleh paling sedikit tiga penjelasan lain yang tidak memerlukan sebab-akibat sama sekali:

Penjelasan alternatif	Mekanismenya	Contoh di Toko Kopi Kita
Konfounder (penyebab ketiga)	Variabel ketiga menggerakkan keduanya sekaligus	Cuaca panas menaikkan penjualan es kopi dan es teh pada saat bersamaan
Arah terbalik	Yang kita kira akibat justru penyebabnya	Penjualan tinggi mendorong penambahan stok, bukan stok yang menaikkan penjualan
Kebetulan	Dua pola naik bersama tanpa hubungan apa pun	Dua pekan saat lagu tertentu diputar kebetulan bersamaan dengan kenaikan omzet

Cara menghitung dan menafsirkan koefisien korelasi itu sendiri sudah kita kuasai pada chapter Korelasi dan Kovarians . Persoalan pada chapter ini murni persoalan komunikasi: kata apa yang boleh kita pakai ketika yang kita pegang hanyalah angka korelasi. Jawaban singkatnya — kata-kata yang menjelaskan gerak bersama, bukan kata-kata yang menunjuk pengaruh.

Konfounder dalam Praktik: Es Kopi, Es Teh, dan Suhu Udara #

Mari kita lihat konfounder bekerja pada data tiga puluh hari operasional Toko Kopi Kita. Kita mencatat suhu udara harian, porsi es kopi terjual, dan porsi es teh terjual. Pertanyaan pertama yang wajar muncul: apakah dua minuman dingin tersebut saling mendorong penjualannya? Angka korelasi mentah sepertinya menjawab “ya” — sampai kita mengeluarkan pengaruh suhu dari keduanya:

python
import numpy as np
from scipy.stats import pearsonr

rng = np.random.default_rng(42)
hari = np.arange(1, 31)
suhu = 28 + 4 * np.sin(hari / 4.5) + rng.normal(0, 0.5, 30)

es_kopi = 20 + 3.0 * (suhu - 28) + rng.normal(0, 4.0, 30)
es_teh = 15 + 2.4 * (suhu - 28) + rng.normal(0, 3.5, 30)

r_kt, _ = pearsonr(es_kopi, es_teh)
r_sk, _ = pearsonr(suhu, es_kopi)
r_st, _ = pearsonr(suhu, es_teh)

residu_kopi = es_kopi - np.polyval(np.polyfit(suhu, es_kopi, 1), suhu)
residu_teh = es_teh - np.polyval(np.polyfit(suhu, es_teh, 1), suhu)
r_parsial, _ = pearsonr(residu_kopi, residu_teh)

print(f"corr(es kopi, es teh)           = {r_kt:+.2f}")
print(f"corr(suhu, es kopi)             = {r_sk:+.2f}")
print(f"corr(suhu, es teh)              = {r_st:+.2f}")
print(f"corr parsial (suhu dikeluarkan) = {r_parsial:+.2f}")

Output yang Dihasilkan:

text
corr(es kopi, es teh)           = +0.86
corr(suhu, es kopi)             = +0.93
corr(suhu, es teh)              = +0.94
corr parsial (suhu dikeluarkan) = -0.16

Mari kita telaah baris-baris kode di atas:

Baris 4-7 (rng, hari, suhu): suhu harian disintesis dari pola musiman (gelombang sin) ditambah derau kecil, berkisar sekitar 24–32 derajat. Generator default_rng(42) membuat data sintesis ini bisa direproduksi persis.
Baris 9-10 (es_kopi, es_teh): kedua penjualan dibangun mengikuti suhu — setiap derajat tambahan menaikkan es kopi sekitar 3 porsi dan es teh sekitar 2,4 porsi — lalu diberi derau penjualan harian. Perhatikan bahwa keduanya tidak saling menyentuh sama sekali; satu-satunya penggerak bersama adalah suhu.
Baris 12-14 (r_kt, r_sk, r_st): pearsonr() menghitung tiga korelasi mentah. Es kopi dan es teh tampak erat bergerak bersamaan (+0,86) — persis kesan yang muncul kalau kita hanya melihat laporan penjualan dua produk.
Baris 16-18 (residu_kopi, residu_teh, r_parsial): inilah inti pembedah konfounder. polyfit memasang garis lurus dari suhu ke tiap penjualan, polyval menghitung prediksi garis tersebut, lalu residu adalah sisa yang tidak dijelaskan suhu. Korelasi kedua residu itulah korelasi parsial — hubungan es kopi dan es teh setelah suhu dikeluarkan dari keduanya.

Hasilnya tegas: korelasi mentah +0,86 runtuh menjadi −0,16 begitu suhu dikeluarkan. Cerita “es teh mendorong es kopi” ternyata cerita “cuaca panas mendorong keduanya”. Tanpa pembedahan ini, tim promosi bisa saja menyusun paket bundel yang tidak menambah penjualan sama sekali, karena yang mereka kira saling menguatkan sebenarnya cuma dua penumpang satu kendaraan.

Kalimat Aman versus Kalimat Berlebihan #

Bedanya korelasi dan kausalitas dalam laporan sering kali hilang hanya karena satu kata kerja. Kata-kata seperti “menyebabkan”, “mendorong”, “memicu”, dan “berdampak pada” adalah klaim kausal; kata-kata seperti “berkaitan”, “bergerak bersamaan”, dan “cenderung mengikuti” adalah klaim korelasional. Tabel berikut memperbaiki beberapa kalimat klise yang sering muncul di ruang rapat:

Kalimat berlebihan	Perbaikan yang jujur
“Es teh mendorong penjualan es kopi (r = 0,86).”	“Penjualan es teh dan es kopi bergerak bersamaan (r = 0,86); keduanya sama-sama mengikuti suhu udara.”
“Pelanggan kartu member belanja 40% lebih besar — member menyebabkan belanja naik.”	“Pemegang kartu member tercatat belanja 40% lebih besar; apakah kartu yang menaikkan belanja, atau pelanggan rajin yang membuka kartu, perlu eksperimen untuk dipastikan.”
“Setelah musik kafe diganti, penjualan naik 5% — musik baru berhasil.”	“Penjualan naik 5% pada periode musik baru; tanpa kelompok pembanding, sebagian kenaikan bisa berasal dari faktor lain.”
“Stok menentukan penjualan — tambah stok, tambah omzet.”	“Stok dan penjualan bergerak searah; arah hubungannya bisa terbalik — penjualan tinggi yang mendorong penambahan stok.”

Kapan Kita Boleh Bicara Sebab-Akibat #

Klaim kausal bukan wilayah terlarang; ia wilayah yang memerlukan bukti eksperimen. Desain yang paling sederhana adalah mengelompokkan secara acak: sebagian pelanggan menerima perlakuan, sebagian tidak, dan selisih rata-rata kedua kelompok patut dibaca sebagai efek perlakuan karena pengacakan menyempurnakan kemiripan awal kedua kelompok. Inilah logika A/B testing yang sudah kita bahas sebagai standard emas pada chapter Causal Inference . Ketika eksperimen belum atau tidak bisa dijalankan, korelasi tetap berguna — sebagai petunjuk arah penelitian berikutnya, bukan sebagai kesimpulan akhir.

Rangkuman #

Korelasi menyatakan gerak bersama; kausalitas menyatakan pengaruh karena-akibat. Tiga penjelasan alternatif yang bisa mengisi celahnya: konfounder, arah terbalik, dan kebetulan.
Konfounder bisa dibedah dengan korelasi parsial: keluarkan pengaruh variabel ketiga dari kedua variabel, lalu lihat apakah hubungan mereka bertahan — pada contoh kita, +0,86 turun menjadi −0,16.
Kata kerja kausal (“mendorong”, “memicu”) hanya sah setelah eksperimen dengan pengelompokan acak; sebelum itu, pakai kata kerja korelasional (“berkaitan”, “bergerak bersamaan”).
Kalimat yang jujur biasanya lebih panjang satu klausa — klausa yang menyebutkan alternatif — dan itu harga yang murah untuk kredibilitas.

Kejujuran kalimat kini kita jaga. Kita pindah ke rumah kalimat-kalimat tersebut: dokumen teknis tempat seluruh temuan, metode, dan batasan dicatat agar bisa ditelusuri ulang oleh siapa pun — termasuk oleh diri kita sendiri enam bulan kemudian. Kita susun pada chapter berikutnya, Membuat Laporan Teknis .