Tugas Akhir LOGO Pengembangan Model Joint Dynamic Pricing ... · sesuai dengan jenis pesawat yang...

LOGO Tugas Akhir Pengembangan Model Joint Dynamic Pricing Berbasis Waktu dan Persediaan Kursi untuk Dua Penerbangan Paralel dengan Memepertimbangkan Kondisi Overbooking, Cancellation, dan No-show Passengers

Rescha Dwi Astuti Putri 2508 100 142

Revenue management berhubungan dengan kebijakan pengelolaan permintaan serta metodologi dan sistem

yang dibutuhkan untuk membuatnya (Tallury & Ryzin, 2004)

Penggolongan Permintaan

Estimasi

Kontrol Kapasitas

Optimalisasi Harga

Penerapan berbagai disiplin taktik yang memprediksi perilaku konsumen dan mengoptimalkan ketersediaan produk dan harga produk untuk memaksimalkan pertumbuhan pendapatan (Cross, 1997)

Memaksimalkan Pendapatan M

Revenue Management

Airlines Revenue Management

Selling the right seats to the right customers at the right prices and at the right time

(Dunleavy & Philips, 2009)

Tingkat permintaan yang tidak menentu di masa depan

Kelebihan persediaan tidak mungkin disimpan dan digunakan pada periode berikutnya

Penumpang yang dapat dibedakan dalam beberapa segmen

Biaya tetap sangat tinggi namun biaya marginal rendah

Kapasitas kursi penerbangan yang ditawarkan selalu tetap sesuai dengan jenis pesawat yang digunakan

Penelitian Airline Revenue Management Airline Revenue

Management

Penelitian ARM M

Forecasting

Seat inventory control

Pricing

Overbooking ing

Dynamic Pricing

List Pricing

Single Flight

Paralel Flight

0 T

P1*

t t

P2*

T

Time Sensitive Passengers

Price Sensitive Passengers

CUSTOMER CHOICE

06 : 00 07 : 00

Flight A

Flight B

Jam Keberangkatan

Penerbangan Paralel : Dimiliki maskapai penerbangan yang sama Melayani rute yang sama dan single leg (Contoh : Sby-Jkt) Jadwal keberangakatan berbeda

Kedatangan Kustomer

pA < pB

pA = pB

pA > pB

Prefer Flight

A

X > pA

X > pB

Buy Flight A Ticket

Buy Flight B Ticket

Do Not Buy

Type I

Type II

Type III

Yes

No

β

1-β

No

No

Yes

Yes

Kustomer dapat diklasifikasikan menjadi tiga tipe : Tipe I → Hanya ingin memilih penerbangan A Tipe II → Hanya ingin memilih penerbangan B Tipe III → Memilih penerbangan yang harga tiketnya lebih murah

Sumber : Xiao, dkk (2008)

X : Customer Perceived Value

Harga penerbangan yang satu akan mempengaruhi permintaan dan pendapatan penerbangan yang lain. Kedua penerbangan saling terkait.

Menentukan harga tiket kedua penerbangan secara bersamaan, dengan melihat kondisi persediaan dan permintaan kedua penerbangan saat itu. Menentukan harga tiket kedua penerbangan secara dinamis, dapat berubah-ubah untuk menyesuaikan permintaan dengan persediaan kursi kedua penerbangan tiap saat.

Rp900.000

Rp 650.000

Flight A

Flight B

Harga Tiket

Booking Limit Segmen 4 = 20 Booking Limit Segmen 3 = 50 Booking Limit Segmen 2 = 65 Booking Limit Segmen 1 = 80

Batas Periode Segmen 4 = 450 Batas Periode Segmen 3 = 900 Batas Periode Segmen 2 = 1300 Batas Periode Segmen 1 = 1750

Full Fare Segmen 4 = Rp 250000 Full Fare Segmen 3 = Rp 300000 Full Fare Segmen 2 = Rp 350000 Full Fare Segmen 1 = Rp 400000

Peningkatan karena alokasi kursi habis (mencapai booking limit)

Peningkatan karena mencapai batas periode

No-show : Calon penumpang yang telah membeli tiket tidak hadir pada saat keberangkatan

Cancellation : Calon penumpang yang telah membeli tiket melakukan pembatalan

• Biaya refund untuk cancellation • Kursi yang kosong bisa dijual kembali

• Biaya refund untuk no-show • Kursi yang kosong tidak dapat dijual kembali

Full capacity

Booking Horison

t = 0 T

Kekosongan akibat no-show

Pembelian Pembatalan Pembelian Pembelian Pembelian Pembelian

Booking Horison

t = 0 T

Pembelian Pembatalan Pembelian Pembelian Pembelian Pembelian Pembelian nMelebihi kapasitas

Full capacity Jumlah penumpang yang hadir melebihi kapasitas Overbooking Penalty

Capacity

Utilisasi kursi pesawat

Biaya overbooking penalty

Capacity

Cancellation and No-Shows

Kursi yang Terisi

Overbooking Limit

Bumped Passengers

Tanpa Overbooking Dengan Overbooking

Overbooking Limit

Joint Dynamic Pricing Model for Two Parallel Flights Considering

Overbooking, Cancellations, and No-Show Customers.

Rusdiansyah dkk. (2011) Journal of the Eastern Asia Society for Transportation Studies,

Vol.9, 2011

A hybrid threshold curve model for optimal yield management : neural network & dynamic programming.

S.Wang (2001) Computers & Industrial Engineering Vol. 40, Page 161-173, 2001

Model Joint Dynamic Pricing Berbasis Waktu dan Persediaan Kursi untuk Dua

Penerbangan Paralel dengan Memepertimbangkan Kondisi Overbooking,

Cancellation, dan No-show Passengers

S.Wang (2001)

Rusdiansyah, dkk (2011)

Objective functionTotal expected revenue � � �Decision Variabel Price � � �Overbooking limit � �Applied inAirline, parallel flight � �Airline, single flight �Car rental �Hotel �Pricing based onInventory based � �Time Based � �Others ParameterOverbooking � �Cancellation � �No-shows � �Passenger choice behaviour � �Hybrid with neural network �

Model CharacteristicPenelitian Terdahulu

Penelitian ini

Posisi Penelitian

Posisi Penelitian

Penelitian Terdahulu Penelitian Ini

Dynamic Pricing Airline Revenue Management

Hybrid dynamic programming Model

Single flightdiscrete time model

Paralel flights,discrete time model

Airline yield management withoverbooking, cancellations,

and no-shows

Subramanian, et al (1999)

The net benefit ot airlineoverbooking

Suzuki, Yoshinori (2006)

Dynamic Pricing Model for ParallelFlight with customer choice behavior

Xiao, et al (2008)

Hybrid Dynamic Pricing Model foryield Management

S.Wang (2001)

Time and InventoryBased Dynamicpricing model forparallel filght with

overbooking,cancellations, and

no-showParallel flightwith overbooking

Inventory based modelOverbooking Model

Dynamic Pricing Model for ParallelFlight with customer choice behavior

considering overbooking,cancellations, and no-show

passengers

Rusdiansyah, dkk (2011)

Pararel Flight Model

Parallel flight,overbooking model

Revenue Management forParallel Flight with customer

choice behavior

Zang dan Chooper (2005)

Konsep Time Based

Rumusan Masalah

Bagaimana mengembangkan model joint dynamic pricing untuk dua penerbangan paralel berbasis

persediaan dan waktu dengan mempertimbangkan kondisi overbooking, cancellation, dan no-show

penumpang

Tujuan Penelitian

1. Menghasilkan model joint dynamic pricing untuk dua penerbangan paralel berbasis persediaan dan waktu (model i,t) dengan mempertimbangkan kondisi overbooking, cancellation, dan no-show penumpang.

2. Membandingkan model joint dynamic pricing berbasis persediaan (model i) dengan model joint dynamic pricing berbasis persediaan dan waktu (model i,t) melalui parameter total ekspektasi pendapatan, rate of occupied seat (ROS), dan average selling price (ASP).

3. Mengetahui pengaruh kebijakan overbooking terhadap pendapatan pada dua penerbangan dengan melihat total expected revenue, rate of occupied seat (ROS), dan average selling price (ASP).

4. Menentukan jumlah overbooking limit yang optimal dimana dapat memaksimalkan total ekspected revenue.

Manfaat Penelitian

1. Model dynamic pricing yang dikembangkan dapat menjadi acuan bagi maskapai penerbangan dalam menentukan harga tiket yang akan dibuka.

2. Mengisi gap penelitian di bidang dynamic pricing airline revenue management.

3. Menjadi referensi atau rujukan penelitian selanjutnya di bidang dynamic pricing airline revenue management.

Batasan Penelitian

1. Penelitian yang dilakukan adalah penelitian teoritis dan tidak berdasarkan studi kasus tertentu.

2. Model yang disusun hanya untuk dua penerbangan paralel pada dua maskapai yang sama.

3. Kedua penerbangan melayani rute dari satu origin ke satu destination (single leg) yang sama.

Asumsi Penelitian

1. Model yang dikembangkan hanya mempertimbangkan prilaku konsumen yang memilih penerbangan berdasarkan harga saja. Tidak mempertimbangkan preferensi terhadap pelayanan dan lain sebagainya.

2. Tidak memperhatikan perilaku konsumen yang membeli tiket secara berkelompok. Sehingga konsumen yang melakukan permintaan hanya akan membeli satu tiket saja.

3. Besarnya jumlah pengembalian pembatalan pemesanan ( cancellation dan no-show refund ) sama untuk semua kelas atau tidak terpengaruhi oleh harga tiket pada saat pemesanannya. Karena model yang dikembangkan merupakan model dynamic programming dimana model tidak dapat mengcapture setiap calon penumpang membeli tiket dengan harga tertentu (entitas yang membawa atribut harga).

Metodologi Penelitian

Mulai

Studi Literatur

Gap Penelitian

Pengembangan dan Formulasi Model

Model

Percobaan Numerik

1. Perilaku Nilai Ekspektasi Revenue, Rate of Occupied Seats, dan Average Selling Cost

2. Optimal Overbooking Limit

spekktas

Analisis

Kesimpulan dan Saran

Selesai

mbang

Lite

N

li

leles

Joint Dynamic Pricing Model Dynamic Programming Model

Modelling

Modelling

Dynamic Programming Model

Perhitungan dilakukan secara berurut mundur, dari stage (event) terakhir hingga stage (event) paling awal. Hasil pada suatu stage (event) akan digunakan sebagai input untuk diakumulasikan pada stage (event) sebelumnya.

Objective Function : Memaksimalkan total expected revenue selama selling horizon Decision Variable : Harga kedua penerbangan pada tiap event (Optimal Joint Pricing) State : Sisa kursi untuk kedua penerbangan

Dynamic Programming Model

Modelling - Kejadian tiap event

Modelling – Alternatif harga

Harga dipilih dari alternatif harga P = {p1, p2, p3, …, pk} p1 > p2 > p3 > … > pk Alternatif harga terdiri dari 1 hingga k dimana

nilai k memenuhi t < t (pk) dan

t (pk) merupakan batas periode kelas k merupakan batas booking limit kelas k

Modelling – Peluang penerimaan harga

Harga dipilih dari alternatif harga P = {p1, p2, p3, …, pk}

Untuk setiap alternatif harga, peluang kustomer mau membeli dengan harga tersebut F(p) akan meningkat seiring dengan rendahnya kelas harga dan mendekatnya waktu keberangkatan

Kelas Harga (Selling Horison-periode event ke t)

266 288 190 152 114 76 38 0

42% dari full price 0,957 0,873 0,836 0,804 0,671 0,525 0,445 0,321

46% dari full price 0,811 0,789 0,766 0,723 0,552 0,458 0,308 0,232

52% dari full price 0,664 0,640 0,630 0,563 0,464 0,354 0,234 0,178

60% dari full price 0,553 0,549 0,521 0,417 0,344 0,245 0,193 0,117

80% dari full price 0,507 0,458 0,375 0,286 0,198 0,135 0,083 0,047

90% dari full price 0,458 0,375 0,286 0,198 0,135 0,083 0,047 0,031

Harga tiket

makin rendah

(S lli H i i d t k t)

Makin mendekati waktu keberangkatan

Modelling – Kedatangan kustomer

Kustomer datang dengan tingkat kedatangan (λ) pada tiap event

αi : proporsi kustomer tipe i, i = 1, 2, 3

Modelling – Kedatangan kustomer

: peluang kustomer memilih flexible class : peluang kustomer memilih affordable class

+ = 1

Tingkat kedatangan kustomer tipe I flexible → λ1f = λ . α1. . Tingkat kedatangan kustomer tipe I affordable → λ1a = λ . α1. . Tingkat kedatangan kustomer tipe II flexible → λ2f = λ . α2 . Tingkat kedatangan kustomer tipe II affordable → λ2a = λ . α2 . Tingkat kedatangan kustomer tipe III → λ3 = λ . α3

Untuk kustomer tipe III, β : peluang kustomer memilih penerbangan A apabila kedua harga tiket yang

dibuka sama 1-β : peluang kustomer memilih penerbangan B apabila kedua harga tiket yang

dibuka sama

Modelling – Pembatalan kustomer

qA(xA) = qA . xA qB(xB) = qB . xB

qA(xA) : peluang cancellation pada tiap event, sebagai fungsi jumlah tiket yang telah terpesan untuk penerbangan A (xA).

qB(xB) : peluang cancellation pada tiap event, sebagai fungsi jumlah tiket yang telah terpesan untuk penerbangan B (xB).

qA : cancellation rate per customer tiap event penerbangan A qB : cancellation rate per customer tiap event penerbangan B

0 ≤ λ + qA(xA) + qB(xB) ≤ 1 Pada tiap event

Modelling – No show kustomer

Keberangkatan Penerbangan A dan B

Terdapat peluang terjadi No-Shows

γ : Peluang bahwa kustomer yang telah memesan tiket, tidak datang saat keberangkatan (No-Show).

1 – γ : Peluang bahwa kustomer yang telah memesan tiket, datang saat keberangkatan (Show-Up).

Y(xA) : Jumlah kustomer penerbangan A yang datang saat keberangkatan.

Y(xB) : Jumlah kustomer penerbangan B yang datang saat keberangkatan.

No-Show Penerbangan A = xA – Y(xA) No-Show Penerbangan B = xB – Y(xB)

Modelling – Refund & Overbooking Penalty

Kustomer yang membatalkan pemesanan tiket selama selling horizon akan diberi refund = c

Kustomer yang tidak datang hingga keberangkatan (No-Show customer) akan diberi refund = d

Jumlah bumped passenger penerbangan A = Y(xA) – CA

Jumlah bumped passenger penerbangan B = Y(xB) – CB

Kustomer yang tidak kebagian kursi pesawat diberikan kompensasi, sehingga maskapai penerbangan harus mengeluarkan biaya overbooking penalty = s

Overbooking limit penerbangan A → vA Overbooking limit penerbangan B → vB

Notasi Model

t : menunjukkan event pada selling horizon [0,T] : 0 merupakan awal selling horizon, sedangkan T merupakan akhir selling

horizon. T + 1 : Event yang terjadi setelah selling horizon berakhir, yaitu saat waktu

keberangkatan. Cj : Kapasitas penerbangan j = A, B vj : Batas overbooking untuk penerbangan j nj : Jumlah tiket kursi pesawat yang tersisa pada penerbangan j pada saat

xjt : Jumlah tiket yang telah terpesan untuk penerbangan j pada saat P : P = {p1, p2, …, pk}, merupakan alternatif harga yang dapat diberlakukan.

Dengan asumsi p1 > p2 > … > pk. Pfj : Harga full price untuk penerbangan j

Notasi Model

pj : Harga yang akan ditetapkan untuk penerbangan j pada tiap event. : Peluang kustomer menerima harga p yang ditetapkan untuk penerbangan j

pada event ke-t c : Biaya refund ketika terjadi cancellation d : Biaya refund untuk no-shows s : Biaya overbooking penalty λt : Tingkat kedatangan kustomer pada event ke-t αti : Proporsi kustomer tipe i = 1, 2, 3, pada event ke-t, dimana λti : Tingkat kedatangan kustomer tipe i pada event ke-t. Dimana λti = λt αti.

: Peluang kustomer memilih kelas flekxible : Peluang kustomer memilih kelas affordable

qtj : Tingkat pembatalan pemesanan per kustomer untuk penerbangan j pada event ke-t

qtj(xj) : Peluang terjadinya pembatalan pemesanan untuk penerbangan j pada event ke-t, jika jumlah tiket yang terpesan sebanyak xj

Notasi Model

β : Peluang kustomer tipe III akan memilih penerbangan A jika harga kedua penerbangan sama

1-β : Peluang kustomer tipe III akan memilih penerbangan B jika harga kedua penerbangan sama

BL(pk) : Batasan booking limit untuk kelas yang dibuka dengan harga pk t(pk) : Batasan periode untuk kelas yang dibuka dengan harga pk γ : Peluang kustomer yang tidak datang saat keberangkatan 1-γ : Peluang kustomer datang saat keberangkatan Y(xj) : Jumlah show-up customer saat keberangkatan penerbangan j, jika tiket

terpesan sebanyak xj π(Y(xj)) : Total biaya penalti untuk penerbangan j Rt(nA,nB) : Expected revenue selama selang waktu [t,T + 1], jika kursi yang tersisa saat

t, sebanyak nA dan nB. RAt(nA,nB): Expected revenue penerbangan A selama selang waktu [t,T + 1], jika kursi

yang tersisa saat t, sebanyak nA dan nB. RBt(nA,nB): Expected revenue penerbangan B selama selang waktu [t,T + 1], jika kursi

yang tersisa saat t, sebanyak nA dan nB.

Model Dasar Rusdiansyah, dkk (2011)

Model Dasar Rusdiansyah, dkk (2011)

Model S.Wang (2001) Construct a Neural Network

Step 1Collect Data set S

(reservation, time, andprice)

Use Neural Network todetermine reliationship between

reservation, time, and price

Construct a Dynamic Programming Model

Define T Stages

Define P PriceLevel based on

buseness practice

For each stage and each pricelevels, estimate reservation levelaccoding to the neural networks

Apply the dynamicprogramming approach to

solve the yield managementproblem

Formulasi Model Penelitian

Model akan dibagi menjadi 2 kondisi waktu yaitu : event t dan event T+1 (periode keberangkatan)


Pada kondisi waktu event t, akan ada 4 kondisi sisa kursi yaitu : • nA=0 dan nB=0; • nA=0 dan nB>0; • nA>0 dan nB=0; • nA>0 dan nB>0

Pada kondisi nA=0 dan nB=0 Cancellation tiket Flight A Cancellation tiket Flight B

Null event


Pada kondisi nA=0 dan nB>0 Pembelian tiket affordable Flight B

Pembelian tiket flexible Flight B

Pembatalan tiket Flight A

Pembatalan tiket Flight B

Null Event

Dicari harga optimal pB yang dapat memaksimalkan expected revenue saat t


Pada kondisi nA>0 dan nB=0


Null Event


Pembelian tiket felxible Flight A

Pembelian tiket affordable Flight A

Dicari harga optimal pA yang dapat memaksimalkan expected revenue saat t


Pada kondisi nA>0 dan nB>0



Pembelian tiket felxible Flight A Pembelian tiket felxible Flight B

Null event

Dicari harga optimal pA dan pB yang dapat memaksimalkan expected revenue saat t

Hitung Revenue Periode t=T+1 untukberbagai kombinasi sisa kursi

Kondisi IV, Hitung RevenueUntuk Semua Alternatif P1 dan

P2, Find P1 dan P2 optimalPeriode t

N1>0 N2>0t = 0

t = t - 1

Stop N2>0

Ya

Tidak Tidak

Ya

Find Alternatif Class (P) danPeluang Penerimaan Harga P(Pt)

untuk penerbangan 1 dan 2

Ya

Kondisi III, Hitung RevenueUntuk Semua Alternatif P2,Find P2 optimal Periode t

Find Alternatif Class (P) danPeluang Penerimaan HargaP(Pt) untuk penerbangan 1

Tidak

Kondisi II, Hitung RevenueUntuk Semua Alternatif P1,Find P1 optimal Periode t

Find Alternatif Class (P) danPeluang Penerimaan HargaP(Pt) untuk penerbangan 2

Ya

Kondisi I, Hitung RevenuePeriode t

Tidak

Flowchart Perhitungan Revenue

Perhitungan ROS dan ASP

Rate of Occupied Seats (ROS) : Angka yang menunjukkan utilisasi harapan dari kapasitas penerbangan yang tersedia Average Selling Price (ASP) : Nilai yang menunjukkan rata-rata harga tiket yang pernah dijual kepada pembeli termasuk yang dibatalkan melalui cancellation maupun no-show Perhitungan ROS dan ASP sama dengan perhitungan revenue, namun harga tiket sudah ditentukan melalui perhitungan revenue terlebih dahulu. Perhitungan ASP = A/B dimana A= jumlah pendapatan dan B=jumlah buyer

Pada event T+1

Perhitungan ROS dan ASP

Pada event t, ada 4 kondisi : • nA=0 dan nB=0; • nA=0 dan nB>0; • nA>0 dan nB=0; • nA>0 dan nB>0

Pada kondisi nA=0 dan nB=0

Perhitungan ROS dan ASP Pada kondisi nA=0 dan nB>0

Perhitungan ROS dan ASP Pada kondisi nA>0 dan nB=0

Perhitungan ROS dan ASP Pada kondisi nA>0 dan nB>0

Perhitungan Overbooking Limit yang Optimal

Percobaan Numerik

Percobaan Model i

Percobaan Model i,t

Percobaan Model i,t dengan variasi t (pk)

Percobaan Model i,t dengan overbooking

Parameter Awal Percobaan Numerik


Kelas Harga (Selling Horison-periode event ke t)

266 288 190 152 114 76 38 0

42% dari full price 0,957 0,873 0,836 0,804 0,671 0,525 0,445 0,321

46% dari full price 0,811 0,789 0,766 0,723 0,552 0,458 0,308 0,232

52% dari full price 0,664 0,640 0,630 0,563 0,464 0,354 0,234 0,178

60% dari full price 0,553 0,549 0,521 0,417 0,344 0,245 0,193 0,117

80% dari full price 0,507 0,458 0,375 0,286 0,198 0,135 0,083 0,047

90% dari full price 0,458 0,375 0,286 0,198 0,135 0,083 0,047 0,031

Harga tiket

makin rendah

(S lli H i i d t k t)

Makin mendekati waktu keberangkatan

Peluang penerimaan harga


Kelas Harga (k) t (pk)

Kelas 6 (42% dari full price) 21





Batas Periode Kenaikan Kelas Harga

Percobaan Model i

Expectation Revenue Flight A Flight B

Rp 31.440.242 Rp 31.227.140 Total Expectation Revenue

Rp 62.667.382 Rate of Occupied Seats Average Selling Price

89,7% Rp 1.009.002 Flight A Flight B Flight A Flight B

89,7 89,7 Rp 1.013.398 Rp 1.004.645

Percobaan Model i,t

Expectation Revenue Flight A Flight B

Rp 32.466.938 Rp 32.414.242 Total Expectation Revenue

Rp 64.881.180 Rate of Occupied Seats Average Selling Price

89,59% Rp 1.022.823 Flight A Flight B Flight A Flight B 89,57% 89,60% Rp 1.023.117 Rp 1.022.529

Percobaan Model i,t

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 300 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 3 3 32 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 3 3 3 33 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 3 3 3 34 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 3 3 3 35 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 3 3 3 3 36 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 3 3 3 3 37 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 3 3 3 38 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 3 3 3 39 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3 3

10 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3 611 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3 6 612 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 6 6 613 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 6 6 6 614 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 6 6 6 615 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 3 6 6 6 6 616 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 6 6 6 6 6 617 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 3 6 6 6 6 6 6 618 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 6 6 6 6 6 6 6 619 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 6 6 6 6 6 6 6 6 620 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 5 5 6 6 6 6 6 6 6 621 2 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 4 5 5 5 6 6 6 6 6 6 622 2 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 5 5 5 5 5 5 6 6 6 6 6 623 2 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 6 6 6 6 624 2 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 5 5 6 6 6 625 2 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 5 5 5 5 6 6 626 2 1 1 1 1 2 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 5 5 5 5 5 5 6 627 5 1 2 2 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 628 5 2 2 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 629 5 2 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 630 5 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 6

Sisa Kursi Penerbangan B

Sisa

Kur

si Pe

nerb

anga

n A

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 300 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 5 5 5 5 1 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 3 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 4 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 5 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 6 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 7 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 8 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 9 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2

10 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 5 11 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 5 5 12 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 5 5 5 13 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 5 5 5 5 14 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 5 5 5 5 15 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 5 5 5 5 5 16 - 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5 17 - 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5 5 18 - 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 19 - 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 5 20 - 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 5 5 21 - 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 6 5 5 5 5 5 5 5 5 5 5 22 - 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 6 6 6 5 5 5 5 5 5 5 5 5 23 - 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 6 6 6 6 6 5 5 5 5 5 5 5 5 24 - 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 6 6 6 6 6 6 6 5 5 5 5 5 5 5 25 - 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 6 6 6 6 6 6 6 6 6 5 5 5 5 5 5 26 - 2 2 2 2 3 3 3 3 3 3 3 3 3 3 6 6 6 6 6 6 6 6 6 6 6 5 5 5 5 5 27 - 2 3 3 3 3 3 3 3 3 3 3 3 6 6 6 6 6 6 6 6 6 6 6 6 6 6 5 5 5 5 28 - 3 3 3 3 3 3 3 3 3 3 3 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 5 5 29 - 3 3 3 3 3 3 3 3 3 3 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 30 - 3 3 3 3 3 3 3 3 3 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6

Sisa Kursi Penerbangan B

Sisa

Kur

si Pe

nerb

anga

n A

Perubahan Kelas yang dibuka pada periode tertentu untuk semua kombinasi jumlah sisa kursi

Kelas yang dibuka untuk penerbangan A

Kelas yang dibuka untuk penerbangan B

Perbandingan Percobaan Model i dengan Model i,t

Parameter Model i Model i,t PersentaseTotal Ekspektasi Pendapatan Rp62.667.382 Rp64.881.180 3,53%

ROS 89,70% 89,59% -0,12%ASP Rp1.009.002 Rp1.022.823 1,37%

Hal ini disebabkan karena model (i) belum mempertimbangkan waktu dalam penentuan keputusan kelas yang dibuka untuk memaksimalkan pendapatannya.

Kelas lebih tinggi akan dibuka apabila jumlah sisa kursi kedua penerbangan berkurang. Namun apabila jumlah sisa kursi masih banyak, kelas yang lebih tinggi tidak akan dibuka walaupun sudah mendekati waktu keberangkatan penerbangan

Percobaan Model i,t dengan variasi t(pk)

Percobaan 1 Percobaan 2 Percobaan 3 Percobaan 4 Percobaan 5 Percobaan 61 -1 -1 -1 -1 -1 -12 -3 -2 -3 -7 -7 -143 -5 -3 -7 -14 -14 -304 -7 -7 -14 -21 -30 -605 -10 -14 -21 -30 -60 -90

Kelas Harga Periode Kenaikan Kelas Harga (t sebelum keberangkatan)



Apabila periode kenaikan kelas dibuat cepat artinya kelas lebih tinggi dibuka sesaat setelah selling horison dibuka (percobaan 6) maka harga tiket akan lebih tinggi. Hal ini dibuktikan dengan tingginya nilai ASP pada percobaan 6 dibandingkan dengan nilai ASP pada percobaan lainnya. Namun apabila harga tiket yang lebih tinggi dibuka lebih awal akan berlawanan dengan nilai peluang kustomer mau membeli tiket dengan harga tersebut. Sehingga nilai ekspektasi pendapatan untuk percobaan 6 ini lebih kecil dibanding percobaan lainnya.


Overbooking Limit Total Ekspektasi Pendapatan Flight 1 Flight 2

0 0 Rp 64.881.180 1 0 Rp 65.324.042 2 0 Rp 65.669.746 3 0 Rp 65.938.786 4 0 Rp 65.911.006 3 1 Rp 66.310.436 3 2 Rp 66.665.148 3 3 Rp 67.032.254 3 4 Rp 66.952.400

Percobaan overbooking penalty

Overbooking limit yang optimal untuk overbooking penalty 200%





Overbooking penalty yang rendah memberikan peluang untuk menerapkan batas overbooking yang lebih tinggi




Percobaan Probability no show


Percobaan Probability no show


Percobaan Probability Cancellation


Percobaan Probability Cancellation

Kesimpulan

1. Model joint dynamic pricing berbasis waktu dan persediaan kursi (model i,t) memberikan hasil total ekspektasi pendapatan dan average selling price (ASP) yang lebih tinggi dibandingkan dengan model joint dynamic pricing berbasis persediaan kursi (model i). Sedangkan nilai rate of occupied seat (ROS) pada model (i,t) lebih rendah dibandingkan dengan model (i) walaupun tidak berbeda secara signifikan.

2. Adanya kebijakan overbooking akan menambah ekspektasi pendapatan pada dua penerbangan seiring dengan meningkatnya nilai rate of occupied seat (ROS) walaupun nilai average selling price-nya menurun.

3. Nilai overbooking limit bergantung dari tingkat cancellation, no-show, dan besarnya nilai overbooking penalty. Semakin tinggi tingkat cancellation dan no-show maka batas overbooking juga akan semakin tinggi, demikian sebaliknya. Namun semakin tinggi nilai overbooking penalty maka batas overbooking akan semakin rendah.

LOGO

Tugas Akhir LOGO Pengembangan Model Joint Dynamic Pricing ... · sesuai dengan jenis pesawat yang...

Documents

Transcript of Tugas Akhir LOGO Pengembangan Model Joint Dynamic Pricing ... · sesuai dengan jenis pesawat yang...