tugas akhir logo pengembangan model joint dynamic pricing ... · sesuai dengan jenis pesawat yang...
TRANSCRIPT
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)
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 pB yang dapat memaksimalkan expected revenue saat t
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 pA 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 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 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
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
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 29 300 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -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)
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 overbooking penalty
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 overbooking penalty
Percobaan Model i,t dengan overbooking
Percobaan Probability no show
Percobaan Model i,t dengan overbooking
Percobaan Probability no show
Percobaan Model i,t dengan overbooking
Percobaan Probability no show
Percobaan Model i,t dengan overbooking
Percobaan Probability no show
Percobaan Model i,t dengan overbooking
Percobaan Probability Cancellation
Percobaan Model i,t dengan overbooking
Percobaan Probability Cancellation
Percobaan Model i,t dengan overbooking
Percobaan Probability Cancellation
Percobaan Model i,t dengan overbooking
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