pengelolaan permintaan serta metodologi dan sistem yang dibutuhkan untuk membuatnya (Tallury & Ryzin, 2004)

(1)

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

(2)

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

P

1

*

t t

P

2

*

T

(3)

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 p_A < p_B p_A = p_B p_A > p_B Prefer Flight A X > p_A X > p_B 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)

(4)

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)

(5)

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

(6)

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

(7)

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

(8)

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

(9)

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

(10)

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).

(11)

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 l eles

Joint Dynamic Pricing Model

Dynamic Programming Model

(12)

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

(13)

Modelling – Alternatif harga

Harga dipilih dari alternatif harga

_{P = {p}

₁

_{, p}

₂

_{, p}

₃

, …, p

_k

_}

p

₁

> p

₂

> p

₃

> … > p

_k

Alternatif harga terdiri dari 1 hingga k dimana nilai k memenuhi t < t (p_k) dan ݊ ൏ ሺ݌_௞ሻ

t (p_k) merupakan batas periode kelas k

ሺ݌_௞ሻ 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)

(14)

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

₃

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

(15)

Modelling – Pembatalan kustomer

q

_A

(x

_A

) = q

_A

. x

_A

q

_B

(x

_B

) = q

_B

. x

_B

q

_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 = x_A– Y(x_A)

(16)

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

_A

Jumlah bumped passenger penerbangan B = Y(x

_B

)

– C

_B

Kustomer yang tidak kebagian kursi pesawat diberikan

kompensasi, sehingga maskapai penerbangan harus

mengeluarkan biaya overbooking penalty = s

Overbooking limit penerbangan A

→ v

_A

Overbooking limit penerbangan B

→ v

_B

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.

C_j : Kapasitas penerbangan j = A, B

v_j : Batas overbooking untuk penerbangan j

n_j : Jumlah tiket kursi pesawat yang tersisa pada penerbangan j pada saat

ݐ א Ͳǡ ܶ

x_jt : Jumlah tiket yang telah terpesan untuk penerbangan j pada saat ݐ א Ͳǡ ܶ

P : P = {p1, p2, …, p_k}, merupakan alternatif harga yang dapat diberlakukan.

Dengan asumsi p₁ > p₂ > … > p_k.

(17)

Notasi Model

p_j : 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

q_tj : Tingkat pembatalan pemesanan per kustomer untuk penerbangan j pada

event ke-t

q_tj(x_j) : Peluang terjadinya pembatalan pemesanan untuk penerbangan j pada

event ke-t, jika jumlah tiket yang terpesan sebanyak x_j

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(p_k) : Batasan booking limit untuk kelas yang dibuka dengan harga p_k

t(p_k) : Batasan periode untuk kelas yang dibuka dengan harga p_k

γ : Peluang kustomer yang tidak datang saat keberangkatan

1-γ : Peluang kustomer datang saat keberangkatan

Y(x_j) : Jumlah show-up customer saat keberangkatan penerbangan j, jika tiket

terpesan sebanyak x_j

π(Y(xj)) : Total biaya penalti untuk penerbangan j

R_t(n_A,n_B) : Expected revenue selama selang waktu [t,T + 1], jika kursi yang tersisa saat

t, sebanyak n_A dan n_B.

RA_t(n_A,n_B): Expected revenue penerbangan A selama selang waktu [t,T + 1], jika kursi

yang tersisa saat t, sebanyak n_A dan n_B.

RB_t(n_A,n_B): Expected revenue penerbangan B selama selang waktu [t,T + 1], jika kursi

(18)

Model Dasar Rusdiansyah, dkk (2011)

(19)

Model S.Wang (2001)

Construct a Neural Network

Step 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 :

(20)

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

_B

yang dapat memaksimalkan

(21)

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

_A

yang 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

_A

dan p

_B

yang dapat memaksimalkan

(22)

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

(23)

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

(24)

Perhitungan ROS dan ASP

Pada kondisi nA>0 dan nB=0

Perhitungan ROS dan ASP

(25)

Perhitungan ROS dan ASP

(26)

Perhitungan Overbooking Limit yang Optimal

Percobaan Numerik

Percobaan Model i

Percobaan Model i,t

Percobaan Model i,t dengan variasi t (p_k)

(27)

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

(28)

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

(29)

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

(30)

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

(31)

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.

(32)

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%

(33)

Percobaan overbooking penalty

Overbooking penalty yang

rendah memberikan peluang

untuk menerapkan batas

overbooking yang lebih tinggi

(34)

Percobaan Probability no show

(35)

Percobaan Probability no show

(36)

Percobaan Probability Cancellation

(37)

Percobaan Probability Cancellation

(38)

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.