OPTIMASI DYNAMIC PRICING MENGGUNAKAN METODE...

R I F A N D A P U T R I I N D R E S W A R I

5 2 0 9 1 0 0 0 2 0

OPTIMASI DYNAMIC PRICING MENGGUNAKAN METODE ALGORITMA GENETIKA

BERDASARKAN MODEL PERMINTAAN PADA HOTEL JW MARRIOTT SURABAYA

PENDAHULUAN

• Latar belakang

• Perumusan masalah

• Batasan pengerjaan tugas akhir

• Sistematika penulisan

LATAR BELAKANG

Pertumbuhan usaha hotel di Indonesia dikarenakansemakin tingginya tingkat kebutuhan masyarakat atas‘rumah kedua’.

Kota Surabaya merupakan kota kedua terbesar diIndonesia.

Bagi pebisnis, hotel termasuk sarana yang dibutuhkan.

Peningkatan tingkat hunian berbanding lurus dengansemakin meningkatnya permintaan layanan MICE(meetings, incentives, conferences, and exhibitions) kotaSurabaya.

Hotel dengan tujuan bisnis, biasanya hotel berbintang 5dimana hotel tidak hanya sibuk di akhir pekan tetapijuga akan sibuk pada hari kerja, senin hingga jumat.

Kebijakan pengaturan harga merupakan faktor

fundamental.

Dalam dunia perekonomian ada 2 macam carauntuk menganalisis market & industri hotel:

- Property Management System (PMS) : sumber daya

- Revenue Management System (RMS) : pelanggan

Salah satu cara RMS adalah dengan dynamicpricing.

Dynamic pricing adalah sebuah strategi untukmenentukan harga dengan mempertimbangkanbeberapa faktor.

Harga yang ditawarkan akan bersifat dinamis danberubah tiap harinya tergantung dari peramalanpermintaan pelanggan.

Dynamic pricing yang digunakan adalahmeramalkan faktor internal dari hotel yaitubagaimana permintaan pelanggan terhadapharga sewa kamar hotel.

PERUMUSAN MASALAH

Bagaimana hasil pemodelan permintaan yang dihasilkan

untuk masing-masing tipe pelanggan hotel.

Bagaimana mengimplementasikan metode Genetic

Algorithm (GA) untuk menemukan solusi

Bagaimana kesesuaian pricing policy yang dihasilkan dengan

pricing policy yang telah diterapkan pada hotel JW Marriott

Surabaya.

BATASAN PENGERJAAN TUGAS AKHIR

Data yang digunakan adalah data transaksi hotel JW Marriott

Surabaya dengan tipe pelanggan retail, standart dan

premium retail dengan rentang waktu 24 bulan.

Pemodelan permintaan pelanggan menggunakan model

eksponensial.

Pengoptimasian hanya untuk pendapatan hotel, maka total

cost tidak ikut serta dihitung.

TINJAUAN PUSTAKA

• Elastisitas harga terhadap permintaan

• Proses Revenue Management System

• Revenue Management System tools

• Model permintaan

• Algoritma genetika

ELASTISITAS HARGA TERHADAPPERMINTAAN

• Elastisitas harga akan berpengaruh kepada total pendapatanyang dimiliki oleh sebuah perusahaan. Karena permintaanpelanggan berpengaruh besar terhadap banyaknyapendapatan yang akan didapat.

�� = %��

%�=

��(��)�

��

��(��)

�(1)

• Karakteristik dari nilai �� adalah sebagai berikut,• �� > 1 Elastic demand Pelanggan responsif terhadap

perubahan harga.• �� = 1 Unit elastic demand Respon pelanggan terhadap

perubahan harga di porsi yang sama.• �� < 1 Inelastic demand Pelanggan kurang responsif terhadap

perubahan harga• �� ≤ 0 Perfectly Inelastic demand Respon pelanggan tidak

ada sama sekali terhadap perubahan harga.

REVENUE MANAGEMENT SYSTEM

Menurut Cross (1997):

1.Memfokuskan kepada hargadaripada pengeluaran ketika inginmenyetarakan supply dan demand.2.Merubah prinsip cost-based pricingmenjadi market-based pricing.3.Memperjualbelikan produk/ layanankepada micro-markets bukan mass-markets.4.Menyimpan produk untukpelanggan yang paling berharga.5.Membuat keputusan berdasarkanpengetahuan bukan berdasarkan hasildugaan.6.Memanfaatkan nilai siklus darimasing-masing produk.7.Melakukan evaluasi berlanjut padapeluang penghasilan yang akandidapat.

PROSES REVENUE MANAGEMENT SYSTEM

Target, pengumpulan data dan informasi, analisa

Revenue manager menetapkan rencana apakah yang diinginkan.Berupa strategic, tactical atau operational time horizon (Ivanov & Zhechev, 2011,p. 304)

Peramalan

Sebuah penerapan metode peramalan yang berbeda dapatmenghasilkan hasil yang berbeda bagi revenue manager yang akanmenggunakan hasil peramalam untuk memperkirakan metrik RMS ke depannya,permintaan dan juga penawaran. Maka, perlu ketepatan dalam peramalanpermintaan.

Pengambilan keputusan

Beberapa pendekatan yang dilakukan untuk memecahkan masalahRMS diantaranya stochastic programming, model deterministic linear, dynamicprogramming dan fuzzy goal programming.

Implementasi

Dalam penerapan keputusan yang telah diambil sebelumnya, pegawaidisarankan memiliki kemampuan lebih dalam teknik penjualan

Pengamatan

Proses RMS seluruhnya secara berkelanjutan mencari beberapapeluang untuk memperbaiki tiap tahapan proses RMS

REVENUE MANAGEMENT SYSTEM TOOLS

Non-pricing tools

• Capacity Management and Control

Manajemen kapasitas yangdimaksud adalah untuk mengatur jumlahkapasitas kamar hotel. Ada perbedaanantara keputusan dalam manajemenkapasitas untuk jangka panjang(strategic) dan juga jangka pendek(tactical).

• Overbookings

Overbooking adalah ketikapelanggan yang telah memesan kamartidak melakukan check-in (no show), danterdapat pelanggan yang melakukanpembatalan pemesanan pada detik-detik terakhir.

Pricing tools

• Dynamic PricingDynamic pricing juga dapat disebutsebagai pendiskriminasian harga. Sebuahhotel akan lebih memfokuskan diri padabagaimana mengkategorikan pelanggandalam perkelompok daripada perindividu.Model untuk dynamic pricing untuk mencariprofit:

N: jumlah periode pada planning horizont: periode pada planning horizonQt: jumlah penjualan pada pariode tPt: harga rata-rata pada periode tCt: harga satu extra produksi pada periode t

Π = ∑ (�� − ��)

MODEL PERMINTAAN

Model EksponensialModel Eksponensial berasumsi jika hubungan antara hargadengan permintaan adalah eksponensial. Fungsi pemodelaneksponensial:

�� =�� , ��, … , �� =��.

e: basis logaritma natural yang kira-kira sama dengan2.71828183at: intercept dari pemodelan yang menunjukan customer base(total pelanggan yang mau membeli produk/ layanan padaperiode t)bjt: parameter yang disebut slopes, yang menunjukan pengaruhharga pada waktu j terhadap permintaan pada waktu t.

Maka, formulasi untuk dynamic pricing pada optimasidengan model demand eksponensial adalah

max��,��,…,� �

TR(Q) =� �� ,

�

��

subject to � � ≤�� ≤��,�= 1, … , �,

and �� ≤�� ≤��,�= 1, … , �.

ALGORITMA GENETIKA

• Terdapat 3 jenis operasiyang biasanyadilakukan pada GAyaitu:

1. SelectionOperator Selection

digunakan untukmempertahankanindividu-individu yangmemiliki kemampuanterbaik untuk diwariskan.Individu gen terbaikdapat diukur dari fungsiobjektif dan subjektif.

Pindah Silang

Dua individu akandipilih secara acakmenggunakanoperator selectiondengan menukar bitsdari individual yangdipilih dari populasiyang ada denganharapan dapatmenghasilkankromosom/ solusibaru yang lebih baik.Kemudian 2keturunan baru darihasil sebelumnyaakan dimasukkanpada generasiselanjutnya padapopulasi.

Mutasi

Operator Mutasiberfungsi untukmenggantikan genyang hilang daripopulasi akibatproses seleksi yangdapat memungkinanmunculnya kembaligen yang hilangtersebut tetapi tidakakan muncul pada

inisialisasi populasi.

Kromosom anakdimutasi dengan

menambahkan nilairandom yangsangat kecil dengan

probabilitas mutasiyang rendah.

METODOLOGI TUGAS AKHIR

PEMODELAN DAN IMPLEMENTASI GA

• Pengelolaan data

• Formulasi model permintaan

• Formulasi model optimasi algoritma genetika

• Implementasi metode algoritma genetika denganMATLAB

PENGELOLAAN DATA

Standart Retail Premium Retail2011-2012/

BulanJumlah permintaan

kamar (q)/ XHarga rata-rata

kamar (p)/ Y

Januari 465 1060301Februari 425 1110301Maret 480 1060301April 430 1110301Mei 485 1085301Juni 475 1227129Juli 300 1065301

Agustus 161 1010301September 324 1160301

Oktober 415 1160301Nopember 414 1160000Desember 335 1110301




2011-2012/Bulan

Jumlah permintaan kamar (d)/ X

Harga rata-rata kamar (p)/ Y







Elastisitas harga terhadap demand

FORMULASI MODEL PERMINTAAN

Bentuk dari persamaan non-linier eksponensial adalah sebagaiberikut:

�� =�� , ��, … , �� =��

dimana,• e : basis logaritma natural yang kira-kira sama dengan

2.71828183• �� : rata-rata harga pada waktu t• �� : permintaan pelanggan pada waktu t• �� : merupakan intercept dari pemodelan yang

menunjukan customer base (total pelanggan yang maumembeli produk/ layanan pada periode t)

• �� : parameter yang disebut slopes, yang menunjukanpengaruh harga pada suatu waktu terhadap permintaanpada waktu t.

• Persamaan tersebut akan diselesaikan dengan metode numerik regresi non- linier bentuk ln (logaritma natural).

ln �� = ln (��)

ln �� = (�� + ��) ln e

ln �� = (�� + ��)

b = � × ∑ ��∑ �� ∑ ��∑ ��(∑ ��)^�

a = ��- ��̅

�� =−1

�(� − ln(�))

• Dari bentuk ln, dapat diubah menjadi bentuk logaritma. Akan tetapi, bentuk persamaan untuk mencari �� akan berubah.

log �� = log (��)

log �� = (�� + ��) log (e)

log �� = (�� log e + ��log e)

HASIL PEMODELAN

Standart Retail2011-2012/


kamar (q)Harga rata-rata

kamar (p)

Januari 463 1025854.4Februari 398 1003426.3Maret 417 974438.22April 414 988773.11Mei 456 1019599.4Juni 465 1202543.6Juli 578 1091741.5

Agustus 250 848144September 415 1052445.9

Oktober 454 1201288.2Nopember 495 1325082.6Desember 279 1276480.3

Januari 211 1222184.8Februari 258 1231949.7Maret 386 1189553April 340 1177984.7Mei 464 1218991.1Juni 382 1174847Juli 376 1196695.5

Agustus 121 1177776.9September 427 1234412.6


Premium Retail2011-2012/


kamar (q)Harga rata-rata

kamar (p)

Januari 269 698387.72Februari 200 729254.38Maret 170 724797.12April 163 735889.95Mei 192 677282.42Juni 301 695100.75Juli 293 735371.98



Januari 88 647331.6Februari 124 907593.05Maret 170 922913.17April 143 937250Mei 160 923050.34Juni 118 892457.39Juli 172 771729.52



FORMULASI MODEL OPTIMASIALGORITMA GENETIKA

• Representasi

Kromosom akan berisi sejumlah gen yang akanmewakili satu variable. Terdapat beberapa macamjenis pengkoden yaitu, pengkodean biner,pengkodean bilangan bulat, pengkodean strukturdata dan pengkodean bilangan riil.

Gen yang digunakan adalah pendapatan yangdidapatkan hotel berdasarkan dari data jumlahkamar terjual serta harga rata.rata. Populasi (��)

yang digunakan sebanyak 30 buah kromosom

INISIALISASI STANDART RETAIL

Bulan ke -…/2011 Pendapatan bulan ke-… Bulan ke -…/2012 Pendapatan bulan ke-…

Januari 549348884.6 Januari 301400967.9

Februari 535369753.5 Februari 305876875.8

Maret 323310748.5 Maret 226366131.9

April 148886523.9 April 378506624.4

Mei 497660014.6 Mei 412918134

Juni 308305815.1 Juni 505222536.7

Juli 249014766.3 Juli 316705516

Agustus 620501332.8 Agustus 426782900

September 615151516 September 533339234.3

Oktober 328717616.6 Oktober 268449461.5

Nopember 409588015.9 Nopember 361140970.6

Desember 266235122.3 Desember 420476726.6

��= 30, �� = 0.8, Single-point crossover, dan �� = 0.01.

• Nilai fitnessFungsi objektif dan fungsi fitness untuk memaksimumkan fungsi

adalah sama. Fungsi fitness bertujuan untuk mengevaluasi. Fungsi fitnessyang baik adalah ketika nilai fitness yang tinggi mendominasi suatupopulasi. Tujuan dari penelitian ini adalah untuk mendapatkankeoptimalan pendapatan selama 24 bulan.

kromosom-n = (�� × ��+ …+�� × ��) dimana,�� = banyaknya kamar terjual tiap bulannya,��= harga kamar terjual tiap bulannya.Sehingga masing-masing kromosom kategori Standart retail memiliki nilaifitness sebagai berikut,• �� 9019291123• �� 9641539781• �� 9491282267• �… ……………• �� 9641539781

• Proses seleksi orang tua

Seleksi orang tua akan menggunakan RouletteWheel. Total nilai fitness misal adalah 5.04067× 10�� .Langkah yang dilakukan antara lain menghitung nilaifitness relative �� dari tiap kromosom (�� : total fitness),menghitung nilai fitness komulatif ��(�� =��) denganrumus (��+�� ) dan membangkitkan bilangan acak[0,1] sebanyak 30.

Misal bilangan acak pertama adalah 0.04 < ��maka kromosom ke 5 yang menjadi kromosom baru yangpertama. Kemudian bilangan acak kedua misal 0,50 < ��maka kromosom ke 26 yang menjadi kromosom baru. Danproses tersebut berlanjut hingga kromosom ke 30.

• Pindah silang (Crossover)

Kekuatan GA terdapat pada kemampuannya untukmencari dalam proses pindah silang. GA akanmempertahankan solusi terbaik dan menghilangkan solusiyang tidak baik. Skema pindah silang adalah denganmendapatkan 2 buah individu orangtua yang kemudianditentukan titik pindah silang secara acak. Misal peluangpindah silang adalah �� = 0.4 maka diharapkan 40% daritotal kromosom akan mengalami pindah silang. Untukmemilih kromosom maka akan dibangkitkan bilanganacak [0,1] sebanyak 30. Maka bilangan-bilangan acakyang kurang dari nilai �� akan melakukan pindah silang.

•

• Mutasi

Mutasi diperlukan untuk mengembalikan informasititik poin dari kromosom yang hilang akibat pindah silang.Nilai probabilitas ��diharapkan sangat kecil. Karena bilamutasi dilakukan terlalu sering, maka akan menghasilkanindividu lemah akibat konfigurasi gen pada individu yangunggul akan dirusak. Jika �� = 0.01 maka diharapkan 1%dari total titik poin akan termutasi.

Untuk memilih titik poin yang termutasi akandilakukan dengan membangkitkan bilangan acakterlebih dahulu [0.1] dari total titik poin. Bila bilangan acakyang keluar kurang dari nilai �� maka akan termutasi.

• Elitisme

Akibat proses seleksi dilakukan secara acak,maka tidak ada jaminan bahwa suatu individubernilai fitnes tertinggi akan selalu terpilih. Walaupunindividu bernilai fitnes tertinggi terpilih, mungkin sajaakan menjadi rusak karena proses pindah silang.Oleh sebab itu, untuk menjaga agar individu bernilaifitnes tertinggi tersebut tidak hilang selama evolusi,perlu dibuat satu atau dua penyalinan individu.Proses ini biasa disebut sebagai elitisme.

IMPLEMENTASI METODE ALGORITMAGENETIKA DENGAN MATLAB

• Pengimplementasian metode Genetic Algorithmadalah dengan menggunakan toolboxOptimization yang terdapat pada program Matlab.Untuk menuliskan function yang kita miliki, dapatdibuat pada file .m pada Matlab. Sedangkan untukpengaksesan toolbox, terlebih dahulu ketikkan‘gatool’ pada command window Matlab lalu Enter.

PROBLEM SETUP & RESULTS

1.Problem • Fitness function: berisi nama file

fitness function yang telah kitabuat sebelumnya @namafile.

• Number of variables: berisijumlah variable ‘x’ yang akandicari.

2. Constraints• Linear inequalities: batasan

dari suatu fungsi yang misalberbentuk (�)� ≤ b atau (�)� <b.

• Linear equalities : batasan darisuatu fungsi yang misalberbentuk y < 2x + 3.

• Bounds: batasan atas danbawah dari suatu fungsi yangmisal berbentuk 0 ≤ x ≤ 10

• Nonlinier constraint function:batasan dari suatu fungsi yangberbentuk non-linier yang telahdiproses dalam file.m

3. Final point

Nilai maksimum yang keluarsebagai variable ‘x’ dari fitnessfunction yang kita miliki setelahkita mengklik ‘Start’. Banyaknyanilai variable ‘x’ sesuai denganisian dari kolom number ofvariables.

4. Current iteration

Menunjukkan berapa jumlahiterasi yang sedang/telah terjadi.

OPTIONS

1. Population

Kolom ini diisi antara lain dengantipe populasi, ukuran populasi,creation function yang akandigunakan dan beberapainisialisasi data yang telah kitamiliki.

2. Fitness scalling

Kolom ini berfungsi untuk memilihmetode scalling fitness value apayang digunakan. Fitness scallingyang digunakan adalah ‘Rank’yaitu menilai nilai asli dariindividu.

3. SelectionKolom ini untuk memilih

metode apa yang akandigunakan dalam prosespemilihan orangtua untukgenerasi selanjutnya yangberdasarkan nilai dari fitnessscalling yang dipilihsebelumnya.

Metode Selection yangdigunakan adalah ‘Roulette’,yaitu simulasi roulette wheeldengan area-area dari tiapproposional segment padaekpektasi masing-masing.

4. ReproductionDi kolom ini mengatur

berapa jumlah individu yangterkena proses elitisme.Besarnya elite harus lebihsedikit atau sama denganukuran populasi yangdidefinisikan. Lalu Crossfranction digunakan untukmenentukan nilai �� yangdiinginkan pada prosespindah silang.

5. MutationKolom ini akan memilih

metode mutasi yang diinginkan. Jikamemilih metode constraintdependent makan akan dipilihkanmetode Gaussian jika tidak terdapatconstraint dan selain itu akandigunakan metode adaptivefeasible.

Pada metode Gaussian,parameter Scale mengukur Std.deviasi dari generasi pertamasedangkan parameter Shrinkmengatur bagaimana perubahannilai Std. deviasi ketika prosesgenerasi terjadi. Jika nilai Shrink 0maka nilai Std. deviasi akan tetapselama proses generasi terjadi.

6. CrossoverKolom ini mengatur metode apayang digunakan untuk pindah silangdua individu atau orangtua untukmembentuk individu atau anak padagenerasi selanjutnya. Metode yangakan digunakan adalah ‘SinglePoint’. Dimana dari banyak titik yangdimiliki sebuah kromosom, hanyaakan terjadi perpindah silang di satutitik.

7. Plot functions

Kolom ini mengatur grafik apasaja yang ingin ditampilkanketika proses generasi terjadi.Contohnya grafik best fitness,best individual, score, range danlainnya.

8. Display to command window

Kolom ini mengatur informasiapa saja yang inginditampilkan pada commandwindow Matlab ketika prosesalgoritma

dilakukan.

UJI COBA DAN ANALISIS HASIL

• Parameter uji coba

• Skenario uji coba

• Hasil uji coba

• Verifikasi

• Validasi

• Analisis hasil

PARAMETER UJI COBA

• Penggunaan parameter sebagai inputan pada prosesalgoritma genetika ini agar dapat diketahui bagaimanakombinasi dari parameter-parameter yang dapatmenghasilkan total pendapatan yang paling tinggi. Hasilyang diperoleh merupakan bilangan acak. Oleh karena itu, ujicoba akan dilakukan lebih dari 1 kali. Ada 3 parameter yangdikelompokkan sebagai berikut:

1. Perbandingan pengaruh banyaknya (��)populasi pada

total pendapatan.

2. Perbandingan pengaruh nilai (�� ) pindah silang pada totalpendapatan.

3. Perbandingan pengaruh nilai (�� ) pindah silang pada totalpendapatan.

SKENARIO UJI COBA

• Skenario akan berpengaruh pada total pendapatanmaksimum yang akan didapatkan JW Marriott HotelSurabaya. Beberapa skenario tersebut antara lain:

1. Perbandingan total pendapatan berdasarkanparameter banyak populasi sebanyak 30 dan 50 padakategori Standart Retail dan Premium Retail.

2. Perbandingan total pendapatan berdasarkanparameter nilai �� antara 0.1 – 0.9 dan jenis Crossoverpada kategori Standart Retail dan Premium Retail.

3. Perbandingan total pendapatan berdasarkanparameter nilai �� 0.02 dan 0.04 pada kategoriStandart Retail dan Premium Retail.

HASIL UJI COBA

Populasi 30 Populasi 50

Untuk kedua tabel, yang memiliki total pendapatanpaling banyak terdapat pada tabel 10 dengan �� =

0.6. Maka dari hasil uji coba dapat disimpulkanbahwa total pendapatan tertinggi dari kedua tabel

adalah dengan jumlah �� = 50.

Perbandingan total pendapatan berdasarkan parameter banyakpopulasi sebanyak 30 dan 50 kategori Standart Retail .

Perbandingan total pendapatan berdasarkan parameter banyak populasisebanyak 30 dan 50 kategori Premium Retaill


Untuk kedua tabel, yang memiliki total pendapatan paling banyak terdapat padatabel 12 dengan �� = 0.6. Maka dari hasil uji

coba dapat disimpulkan bahwa total pendapatan tertinggi dari kedua tabel adalah

dengan jumlah �� = 50.

Perbandingan total pendapatan berdasarkan parameter nilai �� antara 0.1

– 0.9 dan jenis Crossover kategori Standart Retail .


Untuk kedua tabel, total pendapatan tertinggiuntuk kedua jenis Crossover pada tabel 13

terletak pada nilai �� = 0.7 dan pada tabel 14 terletak pada �� = 0.7 Single point Crossover

dan �� = 0.6 Arithmetic Crossover. Maka dapatdisimpulkan bahwa Single Point Crossoverdapat menghasilkan pendapatan lebih

optimal.

Untuk kedua tabel, total pendapatan tertinggi untuk keduajenis Crossover pada tabel 16 terletak pada �� = 0.7 dan

tabel 17 terletak pada nilai �� = 0.9. Maka dapat disimpulkanbahwa Single Point Crossover dapat menghasilkan

pendapatan lebih optimal.

Perbandingan total pendapatan berdasarkan parameter nilai �� antara 0.1 – 0.9 dan jenis Crossover kategori Premium Retail.

Probabilitas mutasi 0.02 Probabilitas mutasi 0.04

Untuk kedua tabel, total pendapatan tertinggi tabel 18 terletak padanilai �� = 0.6 dan tabel 19 terletak pada nilai �� = 0.7. Maka dapat

disimpulkan jika teori yang menyebutkan�

�merupakan nilai �� yang

tepat adalah terbukti. Dengan �� = 0.04total pendapatan memilikijumlah lebih tinggi dibanding �� = 0.02.

Perbandingan total pendapatan berdasarkan parameter nilai �� 0.02 dan

0.04 kategori Standart Retail.

Probabilitas mutasi 0.02 Probabilitas mutasi 0.04

Untuk kedua tabel, total pendapatan tertinggi tabel 20 terletak pada nilai �� = 0.5 dan tabel 21 terletak pada nilai ��= 0.6. Maka dapat disimpulkan jika teori yang menyebutkan�

�merupakan nilai �� yang tepat adalah terbukti. Dengan

�� = 0.04total pendapatan memiliki jumlah lebih tinggidibanding �� = 0.02.

Perbandingan total pendapatan berdasarkan parameter nilai �� 0.02 dan

0.04 kategori Premium Retail.

VALIDASI

Menghitung Variasi Amplitudo (% Error Variance). Jikanilai E ≤ 30% maka dianggap valid dan jugapengujian standart deviasi pada harga tiapbulannya.

Ε = ⃒��–��

��⃒

σ = σ� −σ�

= ∑��

��(∑��)

�

�

��-

∑��

(∑��)�

�

��

UJI VALIDASI VARIANS AMPLITUDO(%ERROR VARIANS)

Dari hasil uji validasi variansolusi yang dimiliki kategori

Standart Retail, yang memiliki Error rate variansyang paling kecil adalah

solusi ke-3.

• Dari hasil uji validasi varian solusi yang dimilikikategori Premium Retail, yang memiliki VariasiAmplitudo (% Error Variance) yang paling keciladalah solusi ke-7.

UJI VALIDASI STANDART DEVIASI

Dari hasil uji validasi harga yang dimilikikategori Standart Retail, yang memilikiselisih harga paling kecil adalah padasolusi ke-2 yaitu menghasilkan totalpendapatan sejumlah 10.832.263.220dengan tingkat validitas 28% danperbedaan standart deviasi 101957.

• Dari hasil uji validasi harga yang dimiliki kategoriPremium Retail, yang memiliki selisih harga palingkecil adalah pada solusi ke-4 yaitu menghasilkantotal pendapatan sejumlah Rp 3.332.872.813dengan tingkat validitas 22% dan perbedaanstandart deviasi 52.603.

Komposisi Parameter Hasil total pendapatan

optimal

Error rate varians

pendapatan

Selisih standart deviasi harga

��= 30 ; �� = 0.02; �� = 0.1 Rp 10.637.276.320 10% 147.476.32

��= 50 ; �� = 0.02; �� = 0.1 Rp 10.832.263.220 28% 101.957.67

��= 50 ; �� = 0.02; �� = 0.6 Rp 10.544.396.023 11% 131.774.44

�� Hasil total pendapatan

optimal

Error rate varians

Selisih standart deviasi harga

0.1 Rp 3.442.941.071 12% 79.517.32270.2 Rp 3.875.208.675 18% 86.681.66960.3 Rp 3.450.722.647 5% 76.919.25460.5 Rp 3.163.709.800 29% 78.444.264190.6 Rp 3.400.555.411 23% 66.186.15310.7 Rp 3.747.952.878 19% 105.464.40.8 Rp 3.450.554.643 23% 89.268.101070.9 Rp 3.339.181.968 17% 8.8820

��= 30 ; �� = 0.02; Single point Crossover

�� Hasil total pendapatan optimal

Error rate varians Selisih standart deviasi harga

0.1 Rp 3.378.233.003 18% 83.789.11110.2 Rp 3.268.035.485 8% 69.519.65410.3 Rp 3.412.422.967 4.7% 56.936.526010.5 Rp 3.245.759.447 19% 92.565.477990.6 Rp 3.332.872.813 22% 52.603.484090.7 Rp 3.299.346.420 17% 95.326.356260.9 Rp 3.415.832.928 27% 9.8789

��= 50 ; �� = 0.04; Single point Crossover



0.5 Rp 3441036686 25% 88.880.16181

0.7 Rp 3385801250 25% 92.024.76133

0.8 Rp 3419414098 8.6% 102.400.122

Npop = 50 ; Pm = 0.02; Single point Crossover



0.1 Rp 3197939689 4.5% 7.428.505960.4 Rp 3234493185 25% 69.6960.5 Rp 3161728449 28% 59.005.134010.7 Rp 3343929298 7.5% 7.40500.9 Rp 3368261136 19% 7.2022

Npop = 30 ; Pm = 0.04; Single point Crossover

Perbandingan Solusi Dihasilkan Standart Retail

Sebelum Optimasi GA Solusi ke- (parameter) Setelah Optimasi GA Validasi

Total Pendapatan:

Rp 10.363.906.684

Varian data:

7.500

Standart deviasi:

27386516.34

1(��= 30 ; �� = 0.02;

�� = 0.1)

Total Pendapatan:Rp 10.637.276.320

Varian data:8.265

Standart deviasi:28749452.36

Error rate varian:10%

Selisih standart deviasi:147.476

2(��= 50 ; �� = 0.02;

�� = 0.1)


Varian data:5.889

Standart deviasi:24269226.02


Selisih standart deviasi:101.957

3(��= 50 ; �� = 0.02;

�� = 0.6)


Varian data:5.219

Standart deviasi:22846359


Selisih standartdeviasi:131.774

Perbandingan Solusi Premium Retail

ANALISIS HASIL

• Jumlah populasi untuk semua jenis kasus tidakdibawah dari 30. Pemilihan jumlah �� harus

disesuaikan dengan jumlah data yang dimiliki agarsebaran hasil fitness yang diinginkan merata danjuga menghemat waktu komputasi.

• Semakin tingginya nilai �� maka akan menghasilkantotal pendapatan yang lebih tinggi karena seringterjadi pindah silang pada kromosom-kromosom.Akan tetapi, tidak selalu bahwa nilai �� tinggi makaakan menghasilkan individu yang lebih baik.

• Tidak selalu nilai �� yang terlalu besar dapat merusakpopulasi. Akan tetapi jika nilai �� dapat diperkirakan dengantepat berapa nilainya, maka akan memberikan individu yangmungkin lebih baik. Jika peluang mutasi terlalu kecil, akanbanyak gen yang mungkin berguna tetapi tidak ikutdievaluasi tetapi juga perlu diperhatikan juga jika peluangmutasi terlalu tinggi maka gen-gen baik mungkin saja akanrusak karena kemiripan dengan induknya yang hilang danalgoritma juga akan kehilangan kemampuan untuk belajarpada histori pencarian yang telah dilakukan

• Total pendapatan optimal untuk 24 bulan pada kategoriStandart Retail sejumlah Rp 10.832.263.220 adalah �� =

50, �� = 0.1 single point crossover dan �� = 0.02.Sedangkan total pendapatan Standart Retail datauntuk 24 bulan adalah Rp 10.363.906.684.

• Total pendapatan optimal untuk 24 bulan kategoriPremium Retail komposisi parameter yang paling baikuntuk menghasilkan total pendapatan optimal untuk 24bulan sejumlah Rp 3.332.872.813 adalah �� = 50, �� =

0.6 single point crossover dan �� = 0.04. Sedangkantotal pendapatan Premium Retail data untuk 24 bulanadalah Rp 3.143.012.086

• Komposisi yang memiliki solusi paling optimal dan tepattidak selalu yang memiliki nilai ��paling tinggi karenaterdapat niali �� yang jika digunakan dengan tepatakan menghasilkan solusi paling optimal dan tepat.

• Pemilihan komposisi �� untuk uji coba juga harusdisesuaikan dengan berapa data yang dimiliki.Pemilihan �� yang terlalu banyak dapatmemperlambat waktu komputasi dalam menemukansolusi dan jika �� terlalu sedikit akan memilikikemungkinan sedikit juga untuk melakukan pindahsilang (Arhami, M. 2006). Dan juga uji coba perludilakukan lebih dari satu kali agar hasil paling optimaldapat didapatkan.

KESIMPULAN• Analisis price elasticity diperlukan untuk mengetahui respon pelanggan dengan

adanya perubahan harga. Hal ini dikarenakan prinsip pada industri perhotelanberbeda dengan prinsip dalam jual beli barang lainnya. Untuk menentukan hargapada industri perhotelan diperlukan analisis berapa banyak kamar hotel yangterjual.

• Dari beberapa sifat hotel yang memiliki persediaan bersifat tahan lama, kapasitasterbatas, dan segmen pasar adalah micro-markets, metode pendiskriminasianharga (Dynamic Pricing) untuk tiap kategori pelanggan sangat baik diterapkanpada industri perhotelan.

• Pengoptimasian Dynamic Pricing berdasarkan model permintaan pelangganmenggunakan regresi non-linier eksponensial tepat digunakan agar daya belipelanggan terhadap jasa tidak berbeda terlalu jauh dengan total pendapatanyang diinginkan perusahaan karena standart deviasi untuk ekponensial adalahsama dengan rata-rata populasi.

• Selain memperhatikan banyak populasi & nilai probabilitas pindah silang (�� ),pemilihan nilai probabilitas mutasi (��), yang tepat juga penting pada optimasiGA.

• Total pendapatan optimal untuk 24 bulan pada kategori Standart Retail sejumlahRp 10.832.263.220 dengan�� = 50, �� = 0.1 Single Point Crossover dan�� = 0.02.

Sedangkan total pendapatan optimal untuk 24 bulan pada kategori PremiumRetail sejumlah Rp Rp 3.332.872.813 adalah �� = 50, �� = 0.6Single Point Crossover

dan�� = 0.04. Perbandingan dapat dilihat pada Gambar 29.

SARAN• Pada uji coba yang telah dilakukan di tugas akhir ini, untuk model

permintaan yang dipilih yaitu dengan model eksponensial, telahdilakukan pada hotel JW Marriott Surabaya. Maka dari itu, pemilihanmodel permintaan jenis lain dapat di uji coba atau studi kasus yangdipilih jika ingin mencoba menerapkan model permintaaneksponensial dapat berupa hotel – hotel yang memiliki kelasekonomi. Agar hotel-hotel tersebut tidak kalah bersaing denganhotel berbintang.

• Pada uji coba kali ini, hanya mencoba melakukan optimasi padakategori pelanggan Transient. Diharapkan kedepannya ujicobadilakukan pada kategori pelanggan kategori Group.

• Untuk pengoptimasian yang telah dilakukan, adalah denganmetode Genetic Algorithm (GA), penulis berharap pada penelitianselanjutnya, optimasi Dynamic Pricing dapat dicoba denganmenggunakan optimasi Artificial Neural Network (ANN) simulasiMonte Carlo untuk membandingkan kira-kira metode mana yangdapat menghasilkan total pendapatan yang lebih optimal bagihotel.

0.000

10.000

20.000

30.000

40.000

50.000

60.000

70.000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Tingkat Elastisitas Standart Retail

0.000

10.000

20.000

30.000

40.000

50.000

60.000

70.000

Tingkat Elastisitas Premium Retail

back

OPTIMASI DYNAMIC PRICING MENGGUNAKAN METODE...

Documents

Transcript of OPTIMASI DYNAMIC PRICING MENGGUNAKAN METODE...