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
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 TP
1*
t tP
2*
TTime Sensitive Passengers
Price Sensitive Passengers
CUSTOMER CHOICE 06 : 00 07 : 00 Flight A Flight B Jam KeberangkatanPenerbangan 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)
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)
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
Booking Horison
t = 0 T
Pembelian Pembatalan Pembelian
Pembelian Pembelian Pembelian Pembelian n
Melebihi 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
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 function
Total expected revenue
Decision Variabel
Price
Overbooking limit
Applied in
Airline, parallel flight
Airline, single flight
Car rental Hotel Pricing based on Inventory based Time Based Others Parameter Overbooking Cancellation No-shows
Passenger choice behaviour
Hybrid with neural network
Model Characteristic
Penelitian Terdahulu
Penelitian ini
Posisi Penelitian
Penelitian Terdahulu Penelitian Ini
Dynamic Pricing Airline Revenue Management
Hybrid dynamic programming Model Single flight
discrete time model
Paralel flights, discrete time model
Airline yield management with overbooking, cancellations,
and no-shows
Subramanian, et al (1999)
The net benefit ot airline overbooking
Suzuki, Yoshinori (2006)
Dynamic Pricing Model for Parallel Flight with customer choice behavior
Xiao, et al (2008)
Hybrid Dynamic Pricing Model for yield Management
S.Wang (2001)
Time and Inventory Based Dynamic pricing model for parallel filght with overbooking, cancellations, and
no-show
Parallel flight with overbooking Inventory based model Overbooking Model
Dynamic Pricing Model for Parallel Flight with customer choice behavior
considering overbooking, cancellations, and no-show
passengers
Rusdiansyah, dkk (2011)
Pararel Flight Model
Parallel flight, overbooking model
Revenue Management for Parallel 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
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
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 Numerik1. 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 l eles
Joint Dynamic Pricing Model
Dynamic Programming Model
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 – Alternatif harga
Harga dipilih dari alternatif harga
P = {p
1, p
2, p
3, …, p
k}
p
1> p
2> p
3> … > p
kAlternatif harga terdiri dari 1 hingga k dimana nilai k memenuhi t < t (pk) dan ݊ ൏ ሺሻ
t (pk) merupakan batas periode kelas k
ሺሻ merupakan batas booking limit kelas k
Modelling – Peluang penerimaan harga
Harga dipilih dari alternatif harga
P = {p
1, p
2, p
3, …, p
k}
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)
Modelling – Kedatangan kustomer
Kustomer datang dengan tingkat kedatangan (λ) pada tiap event
αi : proporsi kustomer tipe i, i = 1, 2, 3
Modelling – Kedatangan kustomer
ߜ : peluang kustomer memilih flexible class
ߜ : peluang kustomer memilih affordable class ߜ + ߜ = 1
Tingkat kedatangan kustomer tipe I flexible
→ λ
1f=
λ . α
1.. ߜ
Tingkat kedatangan kustomer tipe I affordable
→ λ
1a=
λ . α
1.. ߜ
Tingkat kedatangan kustomer tipe II flexible
→ λ
2f=
λ . α
2.
ߜ
Tingkat kedatangan kustomer tipe II affordable
→ λ
2a=
λ . α
2.
ߜ
Tingkat kedatangan kustomer tipe III
→ λ
3=
λ . α
3Untuk 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
Modelling – Pembatalan kustomer
q
A(x
A) = q
A. x
Aq
B(x
B) = q
B. x
Bq
A(x
A) : peluang cancellation pada tiap event, sebagai fungsi jumlah tiket
yang telah terpesan untuk penerbangan A (x
A).
q
B(x
B) : peluang cancellation pada tiap event, sebagai fungsi jumlah tiket
yang telah terpesan untuk penerbangan B (x
B).
q
A: cancellation rate per customer tiap event penerbangan A
q
B: cancellation rate per customer tiap event penerbangan B
0
≤ λ + q
A(x
A) + q
B(x
B)
≤ 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(x
A) : Jumlah kustomer penerbangan A yang datang saat
keberangkatan.
Y(x
B) : Jumlah kustomer penerbangan B yang datang saat
keberangkatan.
No-Show Penerbangan A = xA– Y(xA)
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(x
A)
– C
AJumlah bumped passenger penerbangan B = Y(x
B)
– C
BKustomer yang tidak kebagian kursi pesawat diberikan
kompensasi, sehingga maskapai penerbangan harus
mengeluarkan biaya overbooking penalty = s
Overbooking limit penerbangan A
→ v
AOverbooking limit penerbangan B
→ v
BNotasi 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
ݐ א Ͳǡ ܶ
xjt : Jumlah tiket yang telah terpesan untuk penerbangan j pada saat ݐ א Ͳǡ ܶ
P : P = {p1, p2, …, pk}, merupakan alternatif harga yang dapat diberlakukan.
Dengan asumsi p1 > p2 > … > pk.
Notasi Model
pj : Harga yang akan ditetapkan untuk penerbangan j pada tiap event.
ܨഥ ܲ௧ ௧ : 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 σ ߙ ௧ ൌ ͳ
λti : Tingkat kedatangan kustomer tipe i pada event ke-t. Dimana λti = λtൈ αti.
ߜ : Peluang kustomer memilih kelas flekxible
ߜ : 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
Model Dasar Rusdiansyah, dkk (2011)
Model S.Wang (2001)
Construct a Neural NetworkStep 1 Collect Data set S (reservation, time, and
price)
Use Neural Network to determine reliationship between
reservation, time, and price
Construct a Dynamic Programming Model
Define T Stages
Define P Price Level based on buseness practice
For each stage and each price levels, estimate reservation level
accoding to the neural networks
Apply the dynamic programming approach to solve the yield management
problem
Formulasi Model Penelitian
Model akan dibagi menjadi 2 kondisi waktu yaitu :Formulasi Model Penelitian
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
Formulasi Model Penelitian
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 p
Byang dapat memaksimalkan
Formulasi Model Penelitian
Pada kondisi nA>0 dan nB=0
Pembatalan tiket Flight B
Null Event
Pembatalan tiket Flight A Pembelian tiket felxible Flight A
Pembelian tiket affordable Flight A
Dicari harga optimal p
Ayang dapat memaksimalkan
expected revenue saat t
Formulasi Model Penelitian
Pada kondisi nA>0 dan nB>0
Pembatalan tiket Flight B Pembatalan tiket Flight A Pembelian tiket felxible Flight A
Pembelian tiket felxible Flight B
Null event
Dicari harga optimal p
Adan p
Byang dapat memaksimalkan
Hitung Revenue Periode t=T+1 untuk berbagai kombinasi sisa kursi
Kondisi IV, Hitung Revenue Untuk Semua Alternatif P1 dan
P2, Find P1 dan P2 optimal Periode t N1>0 N2>0 t = 0 t = t - 1 Stop N2>0 Ya Tidak Tidak Ya
Find Alternatif Class (P) dan
Peluang Penerimaan Harga P(Pt) untuk penerbangan 1 dan 2
Ya
Kondisi III, Hitung Revenue Untuk Semua Alternatif P2,
Find P2 optimal Periode t Find Alternatif Class (P) dan
Peluang Penerimaan Harga P(Pt) untuk penerbangan 1
Tidak
Kondisi II, Hitung Revenue Untuk Semua Alternatif P1,
Find P1 optimal Periode t Find Alternatif Class (P) dan
Peluang Penerimaan Harga P(Pt) untuk penerbangan 2
Ya
Kondisi I, Hitung Revenue Periode 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
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>0Perhitungan ROS dan ASP
Pada kondisi nA>0 dan nB=0Perhitungan ROS dan ASP
Pada kondisi nA>0 dan nB>0Perhitungan ROS dan ASP
Pada kondisi nA>0 dan nB>0Perhitungan ROS dan ASP
Pada kondisi nA>0 dan nB>0Perhitungan Overbooking Limit yang Optimal
Percobaan Numerik
Percobaan Model i
Percobaan Model i,t
Percobaan Model i,t dengan variasi t (pk)
Parameter Awal Percobaan Numerik
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
Parameter Awal Percobaan Numerik
Kelas Harga (k) t (pk)
Kelas 6 (42% dari full price) 21 Kelas 5 (46% dari full price) 14 Kelas 4 (52% dari full price) 7 Kelas 3 (60% dari full price) 3 Kelas 2 (80% dari full price) 1
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 30 0 - - - -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 3 2 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 3 3 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 3 4 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 3 5 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 3 6 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 3 7 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 3 8 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 3 9 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 6 11 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 6 12 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 6 13 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 6 14 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 6 15 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 6 16 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 6 17 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 6 18 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 6 19 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 6 20 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 6 21 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 6 22 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 6 23 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 6 24 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 6 25 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 6 26 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 6 27 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 6 28 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 6 29 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 6 30 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
Si sa Kur si P ene rb an ga 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 30 0 - 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
Si sa Kur si P ene rb an ga n A
Perubahan Kelas yang dibuka pada periode tertentu untuk semua kombinasi jumlah sisa kursi
Kelas yang dibuka untuk penerbangan A
Perbandingan Percobaan Model i dengan Model i,t
Parameter
Model i
Model i,t
Persentase
Total 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 6
1 -1 -1 -1 -1 -1 -1
2 -3 -2 -3 -7 -7 -14
3 -5 -3 -7 -14 -14 -30
4 -7 -7 -14 -21 -30 -60
5 -10 -14 -21 -30 -60 -90
Percobaan Model i,t dengan variasi t(pk)
Percobaan Model i,t dengan variasi t(pk)
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.
Percobaan Model i,t dengan overbooking
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%
Percobaan Model i,t dengan overbooking
Percobaan Model i,t dengan overbooking
Percobaan overbooking penalty
Overbooking penalty yang
rendah memberikan peluang
untuk menerapkan batas
overbooking yang lebih tinggi
Percobaan Model i,t dengan overbooking
Percobaan Model i,t dengan overbooking
Percobaan Probability no show
Percobaan Model i,t dengan overbooking
Percobaan Model i,t dengan overbooking
Percobaan Probability no show
Percobaan Model i,t dengan overbooking
Percobaan Model i,t dengan overbooking
Percobaan Probability Cancellation
Percobaan Model i,t dengan overbooking
Percobaan Model i,t dengan overbooking
Percobaan Probability Cancellation
Percobaan Model i,t dengan overbooking
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.