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

Transkripsi

1 Tugas Akhir LOGO 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 Revenue Management Penerapan berbagai disiplin taktik yang memprediksi perilaku konsumen dan mengoptimalkan ketersediaan produk dan harga produk untuk memaksimalkan pertumbuhan pendapatan (Cross, 1997) Revenue management berhubungan dengan kebijakan pengelolaan permintaan serta metodologi dan sistem yang dibutuhkan untuk membuatnya (Tallury & Ryzin, 2004) Estimasi Penggolongan Permintaan Optimalisasi Harga Kontrol Kapasitas Memaksimalkan Pendapatan

2 Airlines Revenue Management 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 Selling the right seats to the right customers at the right prices and at the right time (Dunleavy & Philips, 2009) Penelitian Airline Revenue Management Airline Revenue Management Forecasting Penelitian ARM Seat inventory control Pricing Overbooking Dynamic Pricing 0 T t List Pricing P1* P2* Paralel Flight Single Flight

3 CUSTOMER CHOICE Jam Keberangkatan Flight A Flight B 06 : : 00 Penerbangan Paralel : Dimiliki maskapai penerbangan yang sama Melayani rute yang sama dan single leg (Contoh : Sby-Jkt) Jadwal keberangakatan berbeda Time Sensitive Passengers Price Sensitive Passengers Type I X > p A Yes Buy Flight A Ticket Kedatangan Kustomer Type III p A < p B p A = p B β Prefer Flight A Yes No Do Not Buy Type II p A > p B 1-β No X > p B No Yes Buy Flight B Ticket X : Customer Perceived Value Sumber : Xiao, dkk (2008) 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

4 Harga Tiket Rp Flight A Rp Flight B 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. Peningkatan karena alokasi kursi habis (mencapai booking limit) Peningkatan karena mencapai batas periode 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 Full Fare Segmen 3 = Rp Full Fare Segmen 2 = Rp Full Fare Segmen 1 = Rp

5 Cancellation : Calon penumpang yang telah membeli tiket melakukan pembatalan Biaya refund untuk cancellation Kursi yang kosong bisa dijual kembali No-show : Calon penumpang yang telah membeli tiket tidak hadir pada saat keberangkatan Biaya refund untuk no-show Kursi yang kosong tidak dapat dijual kembali Kekosongan akibat no-show Full capacity Pembelian Pembelian Pembelian Pembatalan Pembelian Pembelian t = 0 T Booking Horison

6 Pembelian Pembelian Pembelian Pembatalan Pembelian Pembelian Pembelian Melebihi kapasitas Capacity t = 0 T Booking Horison Full capacity Jumlah penumpang yang hadir melebihi kapasitas Overbooking Penalty Cancellation and No-Shows Kursi yang Terisi Overbooking Limit Capacity Overbooking Limit Bumped Passengers Tanpa Overbooking Dengan Overbooking Utilisasi kursi pesawat Biaya overbooking penalty

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 , 2001 Model Joint Dynamic Pricing Berbasis Waktu dan Persediaan Kursi untuk Dua Penerbangan Paralel dengan Memepertimbangkan Kondisi Overbooking, Cancellation, dan No-show Passengers Model Characteristic Posisi Penelitian S.Wang (2001) Penelitian Terdahulu Rusdiansyah, dkk (2011) Penelitian ini 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

8 Posisi Penelitian Penelitian Terdahulu Penelitian Ini Dynamic Pricing Airline Revenue Management Single flight discrete time model Paralel flights, discrete time model Airline yield management with overbooking, cancellations, and no-shows Subramanian, et al (1999) Dynamic Pricing Model for Parallel Flight with customer choice behavior Xiao, et al (2008) Pararel Flight Model The net benefit ot airline overbooking Suzuki, Yoshinori (2006) Hybrid dynamic programming Model Hybrid Dynamic Pricing Model for yield Management S.Wang (2001) Overbooking Model Revenue Management for Parallel Flight with customer choice behavior Zang dan Chooper (2005) Parallel flight with overbooking Inventory based model Dynamic Pricing Model for Parallel Flight with customer choice behavior considering overbooking, cancellations, and no-show passengers Rusdiansyah, dkk (2011) Parallel flight, overbooking model Time and Inventory Based Dynamic pricing model for parallel filght with overbooking, cancellations, and no-show 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

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 dynamic pricing airline revenue management.

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 Percobaan Numerik Studi Literatur Gap Penelitian 1. Perilaku Nilai Ekspektasi Revenue, Rate of Occupied Seats, dan Average Selling Cost 2. Optimal Overbooking Limit Pengembangan dan Formulasi Model Analisis Model Kesimpulan dan Saran Selesai Modelling Joint Dynamic Pricing Model Dynamic Programming Model

12 Dynamic Programming Model Modelling 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 Modelling - Kejadian tiap event

13 Modelling Alternatif harga Harga dipilih dari alternatif harga P = {p 1, p 2, p 3,, p k } Alternatif harga terdiri dari 1 hingga k dimana nilai k memenuhi t < t (p k ) dan p 1 > p 2 > p 3 > > p k t (p k ) merupakan batas periode kelas k 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 Makin mendekati waktu keberangkatan Kelas Harga (Selling Horison-periode event ke t) % 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 Harga tiket makin rendah 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

14 Modelling Kedatangan kustomer Kustomer datang dengan tingkat kedatangan (λ) pada tiap event α i : 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 λ 1f = λ. α 1.. Tingkat kedatangan kustomer tipe I affordable λ 1a = λ. α 1.. Tingkat kedatangan kustomer tipe II flexible λ 2f = λ. α 2. Tingkat kedatangan kustomer tipe II affordable λ 2a = λ. α 2. 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 dibuka sama

15 Modelling Pembatalan kustomer 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 : cancellation rate per customer tiap event penerbangan B q B q A (x A ) = q A. x A q B (x B ) = q B. x B Pada tiap event 0 λ + q A (x A ) + q B (x B ) 1 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 ) No-Show Penerbangan B = x B Y(x B )

16 Modelling Refund & Overbooking Penalty Overbooking limit penerbangan A v A Overbooking limit penerbangan B v B 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 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 x jt : Jumlah tiket yang telah terpesan untuk penerbangan j pada saat P : P = {p1, p2,, p k }, merupakan alternatif harga yang dapat diberlakukan. Dengan asumsi p 1 > p 2 > > p k. : Harga full price untuk penerbangan j P fj

17 Notasi Model p j : 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 λ t : Tingkat kedatangan kustomer pada event ke-t α ti : Proporsi kustomer tipe i = 1, 2, 3, pada event ke-t, dimana λ ti : Tingkat kedatangan kustomer tipe i pada event ke-t. Dimana λ ti = λ t α ti. : Peluang kustomer memilih kelas flekxible : 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(x j )) : 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 yang tersisa saat t, sebanyak n A dan n B.

18 Model Dasar Rusdiansyah, dkk (2011) 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 : event t dan event T+1 (periode keberangkatan)

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 expected revenue saat t

21 Formulasi Model Penelitian Pada kondisi na>0 dan nb=0 Pembelian tiket affordable Flight A Pembelian tiket felxible Flight A Pembatalan tiket Flight A Pembatalan tiket Flight B Null Event Dicari harga optimal p A yang dapat memaksimalkan expected revenue saat t Formulasi Model Penelitian Pada kondisi na>0 dan nb>0 Pembelian tiket felxible Flight A Pembelian tiket felxible Flight B Pembatalan tiket Flight A Pembatalan tiket Flight B Null event Dicari harga optimal p A dan p B yang dapat memaksimalkan expected revenue saat t

22 Flowchart Perhitungan Revenue Hitung Revenue Periode t=t+1 untuk berbagai kombinasi sisa kursi t=t-1 t=0 Tidak N1>0 Tidak N2>0 Tidak Ya Ya Stop Ya N2>0 Tidak Ya Find Alternatif Class (P) dan Peluang Penerimaan Harga P(Pt) untuk penerbangan 1 dan 2 Find Alternatif Class (P) dan Peluang Penerimaan Harga P(Pt) untuk penerbangan 1 Find Alternatif Class (P) dan Peluang Penerimaan Harga P(Pt) untuk penerbangan 2 Kondisi IV, Hitung Revenue Untuk Semua Alternatif P1 dan P2, Find P1 dan P2 optimal Periode t Kondisi III, Hitung Revenue Untuk Semua Alternatif P2, Find P2 optimal Periode t Kondisi II, Hitung Revenue Untuk Semua Alternatif P1, Find P1 optimal Periode t Kondisi I, Hitung Revenue Periode t 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

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 Pada kondisi na=0 dan nb>0 Perhitungan ROS dan ASP

24 Pada kondisi na>0 dan nb=0 Perhitungan ROS dan ASP Pada kondisi na>0 dan nb>0 Perhitungan ROS dan ASP

25 Pada kondisi na>0 dan nb>0 Perhitungan ROS dan ASP Pada kondisi na>0 dan nb>0 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 ) Percobaan Model i,t dengan overbooking

27 Parameter Awal Percobaan Numerik Parameter Awal Percobaan Numerik Peluang penerimaan harga Makin mendekati waktu keberangkatan Kelas Harga (Selling Horison-periode event ke t) % dari full price 0,957 0,873 0,836 0,804 0,671 0,525 0,445 0,321 Harga tiket makin rendah 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

28 Parameter Awal Percobaan Numerik Batas Periode Kenaikan Kelas Harga 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 Percobaan Model i Expectation Revenue Flight A Flight B Rp Rp Total Expectation Revenue Rp Rate of Occupied Seats Average Selling Price 89,7% Rp Flight A Flight B Flight A Flight B 89,7 89,7 Rp Rp

29 Expectation Revenue Flight A Flight B Rp Rp Total Expectation Revenue Rp Rate of Occupied Seats Average Selling Price 89,59% Rp Flight A Flight B Flight A Flight B 89,57% 89,60% Rp Rp Percobaan Model i,t Percobaan Model i,t Perubahan Kelas yang dibuka pada periode tertentu untuk semua kombinasi jumlah sisa kursi Sisa Kursi Penerbangan A Sisa Kursi Penerbangan B Kelas yang dibuka untuk penerbangan A Sisa Kursi Penerbangan A Kelas yang dibuka untuk penerbangan B Sisa Kursi Penerbangan B

30 Perbandingan Percobaan Model i dengan Model i,t Parameter Model i Model i,t Persentase Total Ekspektasi Pendapatan Rp Rp ,53% ROS 89,70% 89,59% -0,12% ASP Rp Rp ,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) Kelas Harga Periode Kenaikan Kelas Harga (t sebelum keberangkatan) Percobaan 1 Percobaan 2 Percobaan 3 Percobaan 4 Percobaan 5 Percobaan

31 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.

32 Percobaan Model i,t dengan overbooking Percobaan overbooking penalty Overbooking limit yang optimal untuk overbooking penalty 200% Overbooking Limit Flight 1 Flight 2 Total Ekspektasi Pendapatan 0 0 Rp Rp Rp Rp Rp Rp Rp Rp Rp Percobaan Model i,t dengan overbooking Percobaan overbooking penalty

33 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

34 Percobaan Model i,t dengan overbooking Percobaan Probability no show Percobaan Model i,t dengan overbooking Percobaan Probability no show

35 Percobaan Model i,t dengan overbooking Percobaan Probability no show Percobaan Model i,t dengan overbooking Percobaan Probability no show

36 Percobaan Model i,t dengan overbooking Percobaan Probability Cancellation Percobaan Model i,t dengan overbooking Percobaan Probability Cancellation

37 Percobaan Model i,t dengan overbooking Percobaan Probability Cancellation Percobaan Model i,t dengan overbooking 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. LOGO