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
LATAR BELAKANG
Pertumbuhan usaha hotel di Indonesia dikarenakan
semakin tingginya tingkat kebutuhan masyarakat atas ‘rumah kedua’.
Kota Surabaya merupakan kota kedua terbesar di
Indonesia.
Bagi pebisnis, hotel termasuk sarana yang dibutuhkan.
Peningkatan tingkat hunian berbanding lurus dengan
semakin meningkatnya permintaan layanan MICE
(meetings, incentives, conferences, and exhibitions) kota Surabaya.
Hotel dengan tujuan bisnis, biasanya hotel berbintang 5
dimana hotel tidak hanya sibuk di akhir pekan tetapi juga akan sibuk pada hari kerja, senin hingga jumat.
Kebijakan pengaturan harga merupakan faktor
fundamental.
Dalam dunia perekonomian ada 2 macam cara
untuk menganalisis market & industri hotel:
-
Property Management System (PMS) : sumber daya
-
Revenue Management System (RMS) : pelanggan
Salah satu cara RMS adalah dengan dynamic
Dynamic pricing adalah sebuah strategi untuk
menentukan harga dengan mempertimbangkan
beberapa faktor.
Harga yang ditawarkan akan bersifat dinamis dan
berubah tiap harinya tergantung dari peramalan
permintaan pelanggan.
Dynamic
pricing
yang
digunakan
adalah
meramalkan
faktor
internal
dari
hotel
yaitu
bagaimana
permintaan
pelanggan
terhadap
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
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
TINJAUAN PUSTAKA
•
Elastisitas harga terhadap permintaan
•
Proses Revenue Management System
•
Revenue Management System tools
•
Model permintaan
ELASTISITAS HARGA TERHADAP
PERMINTAAN
• Elastisitas harga akan berpengaruh kepada total pendapatan
yang dimiliki oleh sebuah perusahaan. Karena permintaan
pelanggan berpengaruh besar terhadap banyaknya
pendapatan 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 harga daripada pengeluaran ketika ingin menyetarakan supply dan demand.
2.Merubah prinsip cost-based pricing menjadi market-based pricing.
3.Memperjualbelikan produk/ layanan kepada micro-markets bukan mass-markets.
4.Menyimpan produk untuk pelanggan yang paling berharga.
5.Membuat keputusan berdasarkan pengetahuan bukan berdasarkan hasil dugaan.
6.Memanfaatkan nilai siklus dari masing-masing produk.
7.Melakukan evaluasi berlanjut pada peluang penghasilan yang akan didapat.
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 dapat menghasilkan hasil yang berbeda bagi revenue manager yang akan menggunakan hasil peramalam untuk memperkirakan metrik RMS ke depannya, permintaan dan juga penawaran. Maka, perlu ketepatan dalam peramalan permintaan.
Pengambilan keputusan
Beberapa pendekatan yang dilakukan untuk memecahkan masalah RMS diantaranya stochastic programming, model deterministic linear, dynamic
programming dan fuzzy goal programming.
Implementasi
Dalam penerapan keputusan yang telah diambil sebelumnya, pegawai disarankan memiliki kemampuan lebih dalam teknik penjualan
Pengamatan
Proses RMS seluruhnya secara berkelanjutan mencari beberapa peluang untuk memperbaiki tiap tahapan proses RMS
REVENUE MANAGEMENT SYSTEM
TOOLS
Non-pricing tools
• Capacity Management and Control Manajemen kapasitas yang dimaksud adalah untuk mengatur jumlah kapasitas kamar hotel. Ada perbedaan antara keputusan dalam manajemen kapasitas untuk jangka panjang (strategic) dan juga jangka pendek (tactical).
• Overbookings
Overbooking adalah ketika pelanggan yang telah memesan kamar tidak melakukan check-in (no show), dan terdapat pelanggan yang melakukan pembatalan pemesanan pada detik-detik terakhir.
Pricing tools
• Dynamic Pricing
Dynamic pricing juga dapat disebut sebagai pendiskriminasian harga. Sebuah hotel akan lebih memfokuskan diri pada bagaimana mengkategorikan pelanggan dalam perkelompok daripada perindividu. Model untuk dynamic pricing untuk mencari profit:
N: jumlah periode pada planning horizon t: periode pada planning horizon
Qt: jumlah penjualan pada pariode t Pt: harga rata-rata pada periode t
Ct: harga satu extra produksi pada periode t
MODEL PERMINTAAN
Model Eksponensial
Model Eksponensial berasumsi jika hubungan antara harga dengan permintaan adalah eksponensial. Fungsi pemodelan
eksponensial:
= , , … , = .
e: basis logaritma natural yang kira-kira sama dengan
2.71828183
at: intercept dari pemodelan yang menunjukan customer base (total pelanggan yang mau membeli produk/ layanan pada periode t)
bjt: parameter yang disebut slopes, yang menunjukan pengaruh harga pada waktu j terhadap permintaan pada waktu t.
Maka, formulasi untuk dynamic pricing pada optimasi dengan model demand eksponensial adalah
max , ,…,
TR(Q) = ,
subject to ≤ ≤ , = 1, … , ,
ALGORITMA GENETIKA
•
Terdapat 3 jenis operasi
yang
biasanya
dilakukan
pada
GA
yaitu:
1. Selection
Operator Selection
digunakan
untuk
mempertahankan
individu-individu
yang
memiliki
kemampuan
terbaik untuk diwariskan.
Individu
gen
terbaik
dapat diukur dari fungsi
objektif dan subjektif.
Pindah Silang
Dua individu akan dipilih secara acak menggunakan
operator selection dengan menukar bits dari individual yang dipilih dari populasi
yang ada dengan
harapan dapat
menghasilkan
kromosom/ solusi
baru yang lebih baik.
Kemudian 2
keturunan baru dari
hasil sebelumnya akan dimasukkan pada generasi selanjutnya pada populasi. Mutasi Operator Mutasi berfungsi untuk menggantikan gen yang hilang dari populasi akibat proses seleksi yang dapat memungkinan munculnya kembali gen yang hilang tersebut tetapi tidak akan muncul pada inisialisasi populasi. Kromosom anak dimutasi dengan menambahkan nilai
random yang
sangat kecil dengan probabilitas mutasi yang rendah.
PEMODELAN DAN IMPLEMENTASI GA
•
Pengelolaan data
•
Formulasi model permintaan
•
Formulasi model optimasi algoritma genetika
•
Implementasi metode algoritma genetika dengan
PENGELOLAAN DATA
Standart Retail Premium Retail
2011-2012/ Bulan Jumlah permintaan kamar (q)/ X Harga rata-rata kamar (p)/ Y Januari 465 1060301 Februari 425 1110301 Maret 480 1060301 April 430 1110301 Mei 485 1085301 Juni 475 1227129 Juli 300 1065301 Agustus 161 1010301 September 324 1160301 Oktober 415 1160301 Nopember 414 1160000 Desember 335 1110301 Januari 465 1060301 Februari 425 1110301 Maret 480 1060301 April 430 1110301 Mei 485 1085301 Juni 475 1227129 Juli 300 1065301 Agustus 161 1010301 September 324 1160301 Oktober 415 1160301 Nopember 414 1160000 Desember 335 1110301 2011-2012/ Bulan Jumlah permintaan kamar (d)/ X Harga rata-rata kamar (p)/ Y Januari 274 1489022 Februari 209 1522313 Maret 179 1472313 April 167 1546079 Mei 215 1544141 Juni 315 1610789 Juli 150 1572313 Agustus 175 1561063 September 186 1683000 Oktober 273 1697313 Nopember 275 1672313 Desember 330 1722313 Januari 274 1489022 Februari 209 1522313 Maret 179 1472313 April 167 1546079 Mei 215 1544141 Juni 315 1610789 Juli 150 1572313 Agustus 175 1561063 September 186 1683000 Oktober 273 1697313 Nopember 275 1672313 Desember 330 1722313
FORMULASI MODEL PERMINTAAN
Bentuk dari persamaan non-linier eksponensial adalah sebagai berikut:
= , , … , =
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 mau membeli produk/ layanan pada periode t)
• : parameter yang disebut slopes, yang menunjukan
pengaruh harga pada suatu waktu terhadap permintaan pada 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)
HASIL PEMODELAN
Standart Retail 2011-2012/ Bulan Jumlah permintaan kamar (q) Harga rata-rata kamar (p) Januari 463 1025854.4 Februari 398 1003426.3 Maret 417 974438.22 April 414 988773.11 Mei 456 1019599.4 Juni 465 1202543.6 Juli 578 1091741.5 Agustus 250 848144 September 415 1052445.9 Oktober 454 1201288.2 Nopember 495 1325082.6 Desember 279 1276480.3 Januari 211 1222184.8 Februari 258 1231949.7 Maret 386 1189553 April 340 1177984.7 Mei 464 1218991.1 Juni 382 1174847 Juli 376 1196695.5 Agustus 121 1177776.9 September 427 1234412.6 Oktober 470 1204360.3 Nopember 380 1195672.2 Desember 202 1102554.5 Premium Retail 2011-2012/ Bulan Jumlah permintaan kamar (q) Harga rata-rata kamar (p) Januari 269 698387.72 Februari 200 729254.38 Maret 170 724797.12 April 163 735889.95 Mei 192 677282.42 Juni 301 695100.75 Juli 293 735371.98 Agustus 127 491096.19 September 152 645376.34 Oktober 249 767378.98 Nopember 292 805218.11 Desember 98 779723.76 Januari 88 647331.6 Februari 124 907593.05 Maret 170 922913.17 April 143 937250 Mei 160 923050.34 Juni 118 892457.39 Juli 172 771729.52 Agustus 140 588403.7 September 113 797452.6 Oktober 118 813909.32 Nopember 195 941951.81 Desember 78 640341.3FORMULASI MODEL OPTIMASI
ALGORITMA GENETIKA
•
Representasi
Kromosom akan berisi sejumlah gen yang akan
mewakili satu variable. Terdapat beberapa macam
jenis
pengkoden
yaitu,
pengkodean
biner,
pengkodean bilangan bulat, pengkodean struktur
data dan pengkodean bilangan riil.
Gen yang digunakan adalah pendapatan yang
didapatkan hotel berdasarkan dari data jumlah
kamar terjual serta harga rata.rata. Populasi (
)
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
• Nilai fitness
Fungsi objektif dan fungsi fitness untuk memaksimumkan fungsi adalah sama. Fungsi fitness bertujuan untuk mengevaluasi. Fungsi fitness yang baik adalah ketika nilai fitness yang tinggi mendominasi suatu populasi. Tujuan dari penelitian ini adalah untuk mendapatkan keoptimalan 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 nilai fitness sebagai berikut,
• 9019291123
• 9641539781
• 9491282267
• … ………
• Proses seleksi orang tua
Seleksi orang tua akan menggunakan Roulette
Wheel. Total nilai fitness misal adalah 5.04067× 10 .
Langkah yang dilakukan antara lain menghitung nilai
fitness relative dari tiap kromosom ( : total fitness),
menghitung nilai fitness komulatif ( = ) dengan
rumus ( + ) dan membangkitkan bilangan acak
[0,1] sebanyak 30.
Misal bilangan acak pertama adalah 0.04 <
maka kromosom ke 5 yang menjadi kromosom baru yang pertama. Kemudian bilangan acak kedua misal 0,50 <
maka kromosom ke 26 yang menjadi kromosom baru. Dan proses tersebut berlanjut hingga kromosom ke 30.
• Pindah silang (Crossover)
Kekuatan GA terdapat pada kemampuannya untuk
mencari dalam proses pindah silang. GA akan
mempertahankan solusi terbaik dan menghilangkan solusi yang tidak baik. Skema pindah silang adalah dengan mendapatkan 2 buah individu orangtua yang kemudian ditentukan titik pindah silang secara acak. Misal peluang
pindah silang adalah = 0.4 maka diharapkan 40% dari
total kromosom akan mengalami pindah silang. Untuk memilih kromosom maka akan dibangkitkan bilangan
acak [0,1] sebanyak 30. Maka bilangan-bilangan acak
yang kurang dari nilai akan melakukan pindah silang.
• Mutasi
Mutasi diperlukan untuk mengembalikan informasi titik poin dari kromosom yang hilang akibat pindah silang.
Nilai probabilitas diharapkan sangat kecil. Karena bila
mutasi dilakukan terlalu sering, maka akan menghasilkan individu lemah akibat konfigurasi gen pada individu yang
unggul akan dirusak. Jika = 0.01 maka diharapkan 1%
dari total titik poin akan termutasi.
Untuk memilih titik poin yang termutasi akan
dilakukan dengan membangkitkan bilangan acak
terlebih dahulu [0.1] dari total titik poin. Bila bilangan acak
•
Elitisme
Akibat proses seleksi dilakukan secara acak,
maka tidak ada jaminan bahwa suatu individu
bernilai fitnes tertinggi akan selalu terpilih. Walaupun
individu bernilai fitnes tertinggi terpilih, mungkin saja
akan menjadi rusak karena proses pindah silang.
Oleh sebab itu, untuk menjaga agar individu bernilai
fitnes tertinggi tersebut tidak hilang selama evolusi,
perlu dibuat satu atau dua penyalinan individu.
Proses ini biasa disebut sebagai elitisme.
IMPLEMENTASI METODE ALGORITMA
GENETIKA DENGAN MATLAB
•
Pengimplementasian metode Genetic Algorithm
adalah
dengan
menggunakan
toolbox
Optimization yang terdapat pada program Matlab.
Untuk menuliskan function yang kita miliki, dapat
dibuat pada file .m pada Matlab. Sedangkan untuk
pengaksesan toolbox, terlebih dahulu ketikkan
PROBLEM SETUP & RESULTS
1.Problem
• Fitness function: berisi nama file fitness function yang telah kita buat sebelumnya @namafile.
• Number of variables: berisi jumlah variable ‘x’ yang akan dicari.
2. Constraints
• Linear inequalities: batasan dari suatu fungsi yang misal berbentuk ( ) ≤ b atau ( ) < b.
• Linear equalities : batasan dari
suatu fungsi yang misal
berbentuk y < 2x + 3.
• Bounds: batasan atas dan bawah dari suatu fungsi yang misal berbentuk 0 ≤ x ≤ 10
• Nonlinier constraint function: batasan dari suatu fungsi yang berbentuk non-linier yang telah diproses dalam file.m
3. Final point
Nilai maksimum yang keluar
sebagai variable ‘x’ dari fitness
function yang kita miliki setelah
kita mengklik ‘Start’. Banyaknya nilai variable ‘x’ sesuai dengan
isian dari kolom number of
variables.
4. Current iteration
Menunjukkan berapa jumlah
OPTIONS
1. Population
Kolom ini diisi antara lain dengan tipe populasi, ukuran populasi, creation function yang akan
digunakan dan beberapa
inisialisasi data yang telah kita miliki.
2. Fitness scalling
Kolom ini berfungsi untuk memilih metode scalling fitness value apa yang digunakan. Fitness scalling yang digunakan adalah ‘Rank’
yaitu menilai nilai asli dari
3. Selection
Kolom ini untuk memilih
metode apa yang akan
digunakan dalam proses
pemilihan orangtua untuk
generasi selanjutnya yang
berdasarkan nilai dari fitness
scalling yang dipilih sebelumnya.
Metode Selection yang digunakan adalah ‘Roulette’, yaitu simulasi roulette wheel dengan area-area dari tiap
proposional segment pada
ekpektasi masing-masing.
4. Reproduction
Di kolom ini mengatur berapa jumlah individu yang
terkena proses elitisme.
Besarnya elite harus lebih
sedikit atau sama dengan
ukuran populasi yang
didefinisikan. Lalu Cross
franction digunakan untuk
menentukan nilai yang
diinginkan pada proses
5. Mutation
Kolom ini akan memilih metode mutasi yang diinginkan. Jika memilih metode constraint dependent makan akan dipilihkan
metode Gaussian jika tidak terdapat
constraint dan selain itu akan digunakan metode adaptive feasible.
Pada metode Gaussian,
parameter Scale mengukur Std. deviasi dari generasi pertama sedangkan parameter Shrink
mengatur bagaimana perubahan nilai Std. deviasi ketika proses generasi terjadi. Jika nilai Shrink 0 maka nilai Std. deviasi akan tetap selama proses generasi terjadi.
6. Crossover
Kolom ini mengatur metode apa yang digunakan untuk pindah silang dua individu atau orangtua untuk membentuk individu atau anak pada generasi selanjutnya. Metode yang akan digunakan adalah ‘Single
Point’. Dimana dari banyak titik yang
dimiliki sebuah kromosom, hanya akan terjadi perpindah silang di satu titik.
7. Plot functions
Kolom ini mengatur grafik apa
saja yang ingin ditampilkan
ketika proses generasi terjadi.
Contohnya grafik best fitness,
best individual, score, range dan lainnya.
8. Display to command window
Kolom ini mengatur informasi
apa saja yang ingin
ditampilkan pada command
window Matlab ketika proses
algoritma dilakukan.
UJI COBA DAN ANALISIS HASIL
•
Parameter uji coba
•
Skenario uji coba
•
Hasil uji coba
•
Verifikasi
•
Validasi
PARAMETER UJI COBA
• Penggunaan parameter sebagai inputan pada proses
algoritma genetika ini agar dapat diketahui bagaimana
kombinasi dari parameter-parameter yang dapat
menghasilkan total pendapatan yang paling tinggi. Hasil yang diperoleh merupakan bilangan acak. Oleh karena itu, uji coba akan dilakukan lebih dari 1 kali. Ada 3 parameter yang dikelompokkan sebagai berikut:
1. Perbandingan pengaruh banyaknya ( )populasi pada
total pendapatan.
2. Perbandingan pengaruh nilai ( ) pindah silang pada total
pendapatan.
3. Perbandingan pengaruh nilai ( ) pindah silang pada total
SKENARIO UJI COBA
• Skenario akan berpengaruh pada total pendapatan
maksimum yang akan didapatkan JW Marriott Hotel Surabaya. Beberapa skenario tersebut antara lain:
1. Perbandingan total pendapatan berdasarkan
parameter banyak populasi sebanyak 30 dan 50 pada kategori Standart Retail dan Premium Retail.
2. Perbandingan total pendapatan berdasarkan
parameter nilai antara 0.1 – 0.9 dan jenis Crossover
pada kategori Standart Retail dan Premium Retail.
3. Perbandingan total pendapatan berdasarkan
parameter nilai 0.02 dan 0.04 pada kategori
HASIL UJI COBA
Populasi 30 Populasi 50
Untuk kedua tabel, yang memiliki total pendapatan paling banyak terdapat pada tabel 10 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 banyak populasi sebanyak 30 dan 50 kategori Standart Retail .
Perbandingan total pendapatan berdasarkan parameter banyak populasi sebanyak 30 dan 50 kategori Premium Retaill
Populasi 30 Populasi 50
Untuk kedua tabel, yang memiliki total pendapatan paling banyak terdapat pada tabel 12 dengan = 0.6. Maka dari hasil uji
coba dapat disimpulkan bahwa total pendapatan tertinggi dari kedua tabel adalah
Perbandingan total pendapatan berdasarkan parameter nilai antara 0.1 – 0.9 dan jenis Crossover kategori Standart Retail .
Populasi 30 Populasi 50
Untuk kedua tabel, total pendapatan tertinggi untuk 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 dapat
disimpulkan bahwa Single Point Crossover dapat menghasilkan pendapatan lebih
Untuk kedua tabel, total pendapatan tertinggi untuk kedua jenis Crossover pada tabel 16 terletak pada = 0.7 dan tabel 17 terletak pada nilai = 0.9. Maka dapat disimpulkan
bahwa 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 pada nilai = 0.6 dan tabel 19 terletak pada nilai = 0.7. Maka dapat disimpulkan jika teori yang menyebutkan merupakan nilai yang
tepat adalah terbukti. Dengan = 0.04 total pendapatan memiliki jumlah 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
= 0.04 total pendapatan memiliki jumlah lebih tinggi
dibanding = 0.02.
Perbandingan total pendapatan berdasarkan parameter nilai 0.02 dan 0.04 kategori Premium Retail.
VALIDASI
Menghitung Variasi Amplitudo (% Error Variance). Jika
nilai E ≤ 30% maka dianggap valid dan juga
pengujian
standart
deviasi
pada
harga
tiap
bulannya.
Ε =
⃒
–⃒
σ =
σ − σ
=
∑ (∑ )-
∑ (∑ )UJI VALIDASI VARIANS AMPLITUDO
(%ERROR VARIANS)
Dari hasil uji validasi varian solusi yang dimiliki kategori
Standart Retail, yang memiliki Error rate varians yang paling kecil adalah
•
Dari hasil uji validasi varian solusi yang dimiliki
kategori Premium Retail, yang memiliki Variasi
Amplitudo (% Error Variance) yang paling kecil
adalah solusi ke-7.
UJI VALIDASI STANDART DEVIASI
Dari hasil uji validasi harga yang dimiliki kategori Standart Retail, yang memiliki selisih harga paling kecil adalah pada solusi ke-2 yaitu menghasilkan total
pendapatan sejumlah 10.832.263.220
dengan tingkat validitas 28% dan
•
Dari hasil uji validasi harga yang dimiliki kategori
Premium Retail, yang memiliki selisih harga paling
kecil adalah pada solusi ke-4 yaitu menghasilkan
total
pendapatan
sejumlah
Rp
3.332.872.813
dengan tingkat validitas 22% dan perbedaan
standart 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% 79.517.3227 0.2 Rp 3.875.208.675 18% 86.681.6696 0.3 Rp 3.450.722.647 5% 76.919.2546 0.5 Rp 3.163.709.800 29% 78.444.26419 0.6 Rp 3.400.555.411 23% 66.186.1531 0.7 Rp 3.747.952.878 19% 105.464.4 0.8 Rp 3.450.554.643 23% 89.268.10107 0.9 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% 83.789.1111 0.2 Rp 3.268.035.485 8% 69.519.6541 0.3 Rp 3.412.422.967 4.7% 56.936.52601 0.5 Rp 3.245.759.447 19% 92.565.47799 0.6 Rp 3.332.872.813 22% 52.603.48409 0.7 Rp 3.299.346.420 17% 95.326.35626 0.9 Rp 3.415.832.928 27% 9.8789
Hasil total pendapatan optimal
Error rate varians Selisih standart deviasi harga 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
Hasil total pendapatan optimal
Error rate varians Selisih standart deviasi harga 0.1 Rp 3197939689 4.5% 7.428.50596 0.4 Rp 3234493185 25% 69.696 0.5 Rp 3161728449 28% 59.005.13401 0.7 Rp 3343929298 7.5% 7.4050 0.9 Rp 3368261136 19% 7.2022
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) Total Pendapatan: Rp 10.832.263.220 Varian data: 5.889 Standart deviasi: 24269226.02
Error rate varian: 28% Selisih standart deviasi: 101.957 3 ( = 50 ; = 0.02; = 0.6) Total Pendapatan: Rp 10.544.396.023 Varian data: 5.219 Standart deviasi: 22846359
Error rate varian: 11%
Selisih standart deviasi: 131.774
ANALISIS HASIL
•
Jumlah populasi untuk semua jenis kasus tidak
dibawah dari 30. Pemilihan jumlah
harus
disesuaikan dengan jumlah data yang dimiliki agar
sebaran hasil fitness yang diinginkan merata dan
juga menghemat waktu komputasi.
•
Semakin tingginya nilai
maka akan menghasilkan
total pendapatan yang lebih tinggi karena sering
terjadi pindah silang pada kromosom-kromosom.
Akan tetapi, tidak selalu bahwa nilai
tinggi maka
akan menghasilkan individu yang lebih baik.
• Tidak selalu nilai yang terlalu besar dapat merusak
populasi. Akan tetapi jika nilai dapat diperkirakan dengan
tepat berapa nilainya, maka akan memberikan individu yang mungkin lebih baik. Jika peluang mutasi terlalu kecil, akan
banyak gen yang mungkin berguna tetapi tidak ikut
dievaluasi tetapi juga perlu diperhatikan juga jika peluang mutasi terlalu tinggi maka gen-gen baik mungkin saja akan rusak karena kemiripan dengan induknya yang hilang dan algoritma juga akan kehilangan kemampuan untuk belajar pada histori pencarian yang telah dilakukan
• Total pendapatan optimal untuk 24 bulan pada kategori
Standart Retail sejumlah Rp 10.832.263.220 adalah =
50, = 0.1 single point crossover dan = 0.02.
Sedangkan total pendapatan Standart Retail data untuk 24 bulan adalah Rp 10.363.906.684.
• Total pendapatan optimal untuk 24 bulan kategori
Premium Retail komposisi parameter yang paling baik untuk menghasilkan total pendapatan optimal untuk 24
bulan sejumlah Rp 3.332.872.813 adalah = 50, =
0.6 single point crossover dan = 0.04. Sedangkan
total pendapatan Premium Retail data untuk 24 bulan adalah Rp 3.143.012.086
• Komposisi yang memiliki solusi paling optimal dan tepat
tidak selalu yang memiliki nilai paling tinggi karena
terdapat niali yang jika digunakan dengan tepat
akan menghasilkan solusi paling optimal dan tepat.
• Pemilihan komposisi untuk uji coba juga harus
disesuaikan dengan berapa data yang dimiliki.
Pemilihan yang terlalu banyak dapat
memperlambat waktu komputasi dalam menemukan
solusi dan jika terlalu sedikit akan memiliki
kemungkinan sedikit juga untuk melakukan pindah silang (Arhami, M. 2006). Dan juga uji coba perlu dilakukan lebih dari satu kali agar hasil paling optimal dapat didapatkan.
KESIMPULAN
• Analisis price elasticity diperlukan untuk mengetahui respon pelanggan dengan adanya perubahan harga. Hal ini dikarenakan prinsip pada industri perhotelan berbeda dengan prinsip dalam jual beli barang lainnya. Untuk menentukan harga pada industri perhotelan diperlukan analisis berapa banyak kamar hotel yang terjual.
• Dari beberapa sifat hotel yang memiliki persediaan bersifat tahan lama, kapasitas terbatas, dan segmen pasar adalah micro-markets, metode pendiskriminasian harga (Dynamic Pricing) untuk tiap kategori pelanggan sangat baik diterapkan pada industri perhotelan.
• Pengoptimasian Dynamic Pricing berdasarkan model permintaan pelanggan menggunakan regresi non-linier eksponensial tepat digunakan agar daya beli pelanggan terhadap jasa tidak berbeda terlalu jauh dengan total pendapatan yang diinginkan perusahaan karena standart deviasi untuk ekponensial adalah sama dengan rata-rata populasi.
• Selain memperhatikan banyak populasi & nilai probabilitas pindah silang ( ), pemilihan nilai probabilitas mutasi ( ), yang tepat juga penting pada optimasi GA.
• Total pendapatan optimal untuk 24 bulan pada kategori Standart Retail sejumlah Rp 10.832.263.220 dengan = 50, = 0.1 Single Point Crossover dan = 0.02. Sedangkan total pendapatan optimal untuk 24 bulan pada kategori Premium
Retail 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, telah dilakukan pada hotel JW Marriott Surabaya. Maka dari itu, pemilihan model permintaan jenis lain dapat di uji coba atau studi kasus yang
dipilih jika ingin mencoba menerapkan model permintaan
eksponensial dapat berupa hotel – hotel yang memiliki kelas ekonomi. Agar hotel-hotel tersebut tidak kalah bersaing dengan hotel berbintang.
• Pada uji coba kali ini, hanya mencoba melakukan optimasi pada
kategori pelanggan Transient. Diharapkan kedepannya ujicoba dilakukan pada kategori pelanggan kategori Group.
• Untuk pengoptimasian yang telah dilakukan, adalah dengan
metode Genetic Algorithm (GA), penulis berharap pada penelitian
selanjutnya, optimasi Dynamic Pricing dapat dicoba dengan
menggunakan optimasi Artificial Neural Network (ANN) simulasi Monte Carlo untuk membandingkan kira-kira metode mana yang dapat menghasilkan total pendapatan yang lebih optimal bagi hotel.
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
0.000 10.000 20.000 30.000 40.000 50.000 60.000 70.000
Tingkat Elastisitas Premium Retail