Korelasi vs Kausalitas: Kesalahan Klasik yang Bikin Keputusan Salah

Korelasi berarti dua angka gerak bareng. Kausalitas berarti yang satu beneran nyebabin yang lain.

Kedengerannya sepele. Tapi campur aduk dua konsep ini udah bikin banyak perusahaan nambah budget di tempat yang salah.

Aku pernah lihat satu tim marketing naikin budget iklan 40% gara-gara grafik spend dan revenue mereka naik bareng. Yang nggak mereka lihat: dua-duanya naik karena Ramadan.

Apa beda korelasi dan kausalitas?

Korelasi mengukur seberapa erat dua variabel bergerak bareng. Kalau penjualan es krim naik dan kasus tenggelam ikut naik, dua angka itu berkorelasi.

Kausalitas nyatain bahwa perubahan di variabel pertama nyebabin perubahan di variabel kedua. Es krim jelas nggak bikin orang tenggelam.

Yang nyebabin dua-duanya: cuaca panas. Panas bikin orang beli es krim, dan panas juga bikin orang berenang.

Cuaca panas di sini namanya confounder — variabel ketiga yang diam-diam nyetir dua variabel lain.

Gimana cara ngukur korelasi?

Koefisien korelasi Pearson, biasa ditulis r, ngasih angka antara -1 dan +1.

Nilai r	Artinya
+1	Naik bareng sempurna
+0,7 s/d +1	Positif kuat
+0,3 s/d +0,7	Positif sedang
-0,3 s/d +0,3	Lemah atau nggak ada
-0,7 s/d -1	Negatif kuat (satu naik, satu turun)

Di Excel, rumusnya satu baris:

=CORREL(A2:A100, B2:B100)

Di SQL, kamu bisa hitung pakai CORR kalau database kamu Postgres:

SELECT CORR(spend_iklan, revenue) AS r
FROM performa_harian
WHERE tanggal BETWEEN '2026-01-01' AND '2026-04-30';

Angka keluar. Dan di sinilah orang mulai salah langkah.

Kenapa angka r yang tinggi nggak cukup?

Ada situs bernama Spurious Correlations yang ngumpulin korelasi konyol dari data asli.

Contoh dari situ: jumlah film yang dibintangi Nicolas Cage per tahun berkorelasi 0,67 dengan jumlah orang yang tenggelam di kolam renang Amerika.

Angka 0,67 itu masuk kategori "sedang menuju kuat". Kalau kamu cuma lihat angkanya, kamu bakal ngira ada hubungan.

Ada tiga cara korelasi bisa muncul tanpa sebab-akibat:

1. Kebetulan murni

Kalau kamu cek 1.000 pasang variabel acak, beberapa pasti bakal kelihatan berkorelasi. Ini matematika, bukan keajaiban.

2. Confounder

Variabel ketiga yang nyetir dua-duanya. Ini yang paling sering di dunia bisnis.

3. Arah sebab yang kebalik

Kamu ngira A nyebabin B, padahal B yang nyebabin A.

Contoh nyata: perusahaan nemuin pelanggan yang pakai fitur X punya retensi lebih tinggi. Kesimpulannya, "dorong semua orang pakai fitur X." Padahal yang terjadi kebalikan — pelanggan yang emang loyal itu yang lebih rajin ngoprek fitur.

Contoh kasus: iklan toko_berkah yang bikin salah paham

Toko_berkah naruh budget iklan digital selama 90 hari. Data hariannya: spend iklan dan omzet.

Korelasinya r = 0,81. Kuat.

Kesimpulan yang gampang diambil: "tiap tambah 1 juta iklan, omzet naik 4,2 juta. Naikin budget!"

Tapi coba lihat pola spend-nya. Tim marketing selalu naikin budget menjelang gajian (tanggal 25-31) dan awal bulan (tanggal 1-5).

Yang terjadi: gajian bikin orang belanja, dan gajian juga bikin tim marketing berani spend lebih. Gajian adalah confounder-nya.

Waktu aku pisahin datanya per periode:

Periode	Korelasi spend-omzet	Rata-rata omzet harian
Tanggal 25-5 (masa gajian)	0,22	18,4 juta
Tanggal 6-24 (tengah bulan)	0,31	7,1 juta
Gabungan	0,81	11,2 juta

Di dalam tiap periode, korelasinya cuma 0,22 dan 0,31. Lemah.

Korelasi 0,81 di data gabungan itu hampir seluruhnya efek kalender, bukan efek iklan.

Kalau toko_berkah naikin budget 40% berdasarkan angka 0,81, mereka bakal bakar uang buat orang yang emang udah mau beli.

Gimana cara buktiin kausalitas?

Eksperimen terkontrol (paling kuat)

Bagi audiens jadi dua kelompok secara acak. Kasih iklan cuma ke satu kelompok. Bandingin omzetnya.

Karena pembagiannya acak, semua confounder — gajian, cuaca, hari libur — kena rata di dua kelompok. Selisih yang tersisa itu efek iklannya.

Ini yang orang sebut A/B test. Dan ini alasan kenapa A/B test jadi standar emas di dunia produk.

Kalau eksperimen nggak mungkin

Kadang kamu nggak bisa eksperimen. Nggak etis, nggak praktis, atau kejadiannya udah lewat.

Opsi yang tersisa:

• Difference-in-differences. Bandingin perubahan di kelompok yang kena perlakuan sama kelompok yang nggak, sebelum dan sesudah.
• Kontrol variabel confounder. Masukin variabel gajian ke dalam model regresi kamu, biar efeknya dipisahin.
• Cek mekanismenya. Ada cerita sebab-akibat yang masuk akal secara fisik atau perilaku? Kalau nggak ada, curigai.

Semua metode ini butuh asumsi. Sebutin asumsinya terbuka di laporan kamu. Analis yang jujur soal ketidakpastian lebih dipercaya jangka panjang.

Empat pertanyaan sebelum kamu klaim sebab-akibat

1. Ada variabel ketiga yang bisa nyebabin dua-duanya? Musim, gajian, hari libur, tren umum industri.
2. Arahnya bisa kebalik nggak? Coba baca klaim kamu terbalik dan lihat apakah tetap masuk akal.
3. Ada cerita mekanismenya? Gimana persisnya A bikin B terjadi? Kalau kamu nggak bisa jelasin dalam satu kalimat, hati-hati.
4. Bisa dites nggak? Kalau bisa A/B test, lakuin. Satu minggu eksperimen lebih berharga dari tiga bulan analisis korelasi.

Korelasi tetap berguna, kok

Jangan sampai kamu jadi paranoid dan buang semua analisis korelasi.

Korelasi berguna buat dua hal:

Prediksi. Bank nggak perlu tau kenapa orang dengan pola tertentu lebih berisiko gagal bayar. Mereka cuma perlu prediksinya akurat.

Nyusun hipotesis. Korelasi kuat itu petunjuk bagus soal apa yang layak dites. Dia bukan jawaban, tapi dia pertanyaan yang bagus.

Yang bahaya cuma satu skenario: pakai korelasi buat mutusin intervensi. Nambah budget, ganti harga, ubah produk.

Buat itu, kamu butuh eksperimen.

FAQ

Apa beda korelasi dan kausalitas?

Korelasi cuma nunjukin dua variabel gerak bareng — waktu penjualan es krim naik, kasus tenggelam juga naik. Kausalitas nunjukin satu variabel beneran nyebabin perubahan di variabel lain. Es krim jelas nggak bikin orang tenggelam; yang nyebabin dua-duanya adalah cuaca panas. Korelasi bisa dihitung dari data yang ada, tapi kausalitas butuh eksperimen atau bukti mekanisme yang jelas.

Apa itu confounder?

Confounder adalah variabel ketiga yang diam-diam nyebabin dua variabel lain gerak bareng, bikin mereka kelihatan berhubungan padahal nggak. Contoh klasik: cuaca panas nyebabin orang beli es krim sekaligus nyebabin orang berenang. Tiap kali kamu nemu korelasi kuat, pertanyaan pertamanya selalu: ada variabel ketiga nggak di sini?

Berapa nilai korelasi yang dianggap kuat?

Koefisien korelasi r bergerak dari -1 sampai +1. Angka di atas 0,7 atau di bawah -0,7 biasanya disebut kuat, 0,3 sampai 0,7 sedang, di bawah 0,3 lemah. Tapi angka kuat sama sekali nggak bilang apa-apa soal sebab-akibat.

Gimana cara buktiin kausalitas?

Cara paling kuat adalah eksperimen terkontrol: bagi audiens jadi dua kelompok acak, kasih perlakuan cuma ke satu kelompok, lalu bandingin hasilnya. Ini yang disebut A/B test. Kalau eksperimen nggak mungkin dilakukan, kamu bisa pakai difference-in-differences, tapi semuanya butuh asumsi yang harus kamu jelasin terbuka.

Kalau nggak bisa buktiin kausalitas, korelasi masih berguna nggak?

Masih, dan sering banget. Korelasi berguna buat prediksi dan buat nyusun hipotesis yang layak dites. Yang bahaya cuma satu: pakai korelasi buat ngambil keputusan intervensi, kayak nambah budget iklan gara-gara grafiknya naik bareng penjualan.

Penutup

Yang perlu kamu bawa ke meeting berikutnya:

• Korelasi kuat bukan bukti. Tanya dulu: ada confounder nggak?
• Kalau keputusannya soal intervensi — budget, harga, produk — kamu butuh eksperimen.
• Korelasi tetap emas buat prediksi dan buat nyusun hipotesis.

Waktu ada yang nunjukin dua garis yang naik bareng, tanya satu hal: "kira-kira ada faktor ketiga yang nyetir dua-duanya nggak?" Pertanyaan itu doang udah nyelametin banyak budget.

Mau ngerti istilah statistik yang sering muncul di laporan? Cek glossary korelasi dan fungsi CORREL. Kalau kamu lagi bangun dashboard yang dipakai buat keputusan, artikel Metabase untuk Pemula bisa bantu.