OPTIMASI DYNAMIC PRICING MENGGUNAKAN METODE ALGORITMA GENETIKA BERDASARKAN MODEL PERMINTAAN PADA HOTEL JW MARRIOTT SURABAYA RIFANDA PUTRI INDRESWARI 5209 100 020
PENDAHULUAN • • • •
Latar belakang Perumusan masalah Batasan pengerjaan tugas akhir Sistematika penulisan
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 pricing.
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 harga sewa kamar hotel.
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 Surabaya.
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 cost tidak ikut serta dihitung.
TINJAUAN PUSTAKA • • • • •
Elastisitas harga terhadap permintaan Proses Revenue Management System Revenue Management System tools Model permintaan Algoritma genetika
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)
adalah sebagai berikut, Karakteristik dari nilai >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 massmarkets. 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
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).
• 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:
•
• Overbookings Overbooking adalah ketika pelanggan yang telah memesan kamar tidak melakukan check-in (no show), dan terdapat pelanggan yang melakukan pembatalan pemesanan pada detikdetik terakhir.
Π=∑
(
−
)
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 and
≤ ≤
≤
≤
,
,
= 1, … , ,
= 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.
METODOLOGI TUGAS AKHIR
PEMODELAN DAN IMPLEMENTASI GA • • • •
Pengelolaan data Formulasi model permintaan Formulasi model optimasi algoritma genetika Implementasi metode algoritma genetika dengan MATLAB
PENGELOLAAN DATA Standart Retail 2011-2012/ Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember
Jumlah permintaan kamar (q)/ X 465 425 480 430 485 475 300 161 324 415 414 335 465 425 480 430 485 475 300 161 324 415 414 335
Harga rata-rata kamar (p)/ Y 1060301 1110301 1060301 1110301 1085301 1227129 1065301 1010301 1160301 1160301 1160000 1110301 1060301 1110301 1060301 1110301 1085301 1227129 1065301 1010301 1160301 1160301 1160000 1110301
Premium Retail 2011-2012/ Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember
Jumlah permintaan kamar (d)/ X 274 209 179 167 215 315 150 175 186 273 275 330 274 209 179 167 215 315 150 175 186 273 275 330
Elastisitas harga terhadap demand
Harga rata-rata kamar (p)/ Y 1489022 1522313 1472313 1546079 1544141 1610789 1572313 1561063 1683000 1697313 1672313 1722313 1489022 1522313 1472313 1546079 1544141 1610789 1572313 1561063 1683000 1697313 1672313 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 akan berubah. tetapi, bentuk persamaan untuk mencari log = log ( ) =( + ) log (e) log log = ( log e + log e)
HASIL PEMODELAN Standart Retail 2011-2012/ Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember
Jumlah permintaan kamar (q) 463 398 417 414 456 465 578 250 415 454 495 279 211 258 386 340 464 382 376 121 427 470 380 202
Harga rata-rata kamar (p) 1025854.4 1003426.3 974438.22 988773.11 1019599.4 1202543.6 1091741.5 848144 1052445.9 1201288.2 1325082.6 1276480.3 1222184.8 1231949.7 1189553 1177984.7 1218991.1 1174847 1196695.5 1177776.9 1234412.6 1204360.3 1195672.2 1102554.5
Premium Retail 2011-2012/ Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember
Jumlah permintaan kamar (q) 269 200 170 163 192 301 293 127 152 249 292 98 88 124 170 143 160 118 172 140 113 118 195 78
Harga rata-rata kamar (p) 698387.72 729254.38 724797.12 735889.95 677282.42 695100.75 735371.98 491096.19 645376.34 767378.98 805218.11 779723.76 647331.6 907593.05 922913.17 937250 923050.34 892457.39 771729.52 588403.7 797452.6 813909.32 941951.81 640341.3
FORMULASI 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 ( ) yang digunakan sebanyak 30 buah kromosom
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
= 30,
= 0.8, Single-point crossover, dan
= 0.01.
• 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 • … …………… • 9641539781
• 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 dari tiap kromosom ( : total fitness), fitness relative = ) dengan menghitung nilai fitness komulatif ( ) dan membangkitkan bilangan acak rumus ( + [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 akan melakukan pindah silang. yang kurang dari nilai •
• Mutasi Mutasi diperlukan untuk mengembalikan informasi titik poin dari kromosom yang hilang akibat pindah silang. diharapkan sangat kecil. Karena bila Nilai probabilitas 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 maka akan termutasi. yang keluar kurang dari nilai
• 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 ‘gatool’ pada command window Matlab lalu Enter.
PROBLEM SETUP & RESULTS 1.Problem
2. Constraints
• Fitness function: berisi nama file fitness function yang telah kita buat sebelumnya @namafile. • Number of variables: berisi jumlah variable ‘x’ yang akan dicari.
• 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
4. Current iteration
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.
Menunjukkan berapa jumlah iterasi yang sedang/telah terjadi.
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 individu.
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 pindah silang.
5. Mutation
6. Crossover
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.
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 saja yang ingin apa 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 Analisis hasil
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 pendapatan.
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 Standart Retail dan Premium Retail.
HASIL UJI COBA Perbandingan total pendapatan berdasarkan parameter banyak populasi sebanyak 30 dan 50 kategori Standart Retail .
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 = 50. adalah dengan jumlah
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 = 50. dengan jumlah
Perbandingan total pendapatan berdasarkan parameter nilai – 0.9 dan jenis Crossover kategori Standart Retail .
Populasi 30
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 optimal.
Populasi 50
antara 0.1
Perbandingan total pendapatan berdasarkan parameter nilai antara 0.1 – 0.9 dan jenis Crossover kategori Premium Retail.
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
0.02 dan
0.04 kategori Standart 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 yang disimpulkan jika teori yang menyebutkan merupakan nilai 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.
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.
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 solusi ke-3.
• 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 perbedaan standart deviasi 101957.
• 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
= 30 ; = 50 ; = 50 ;
= 0.02; = 0.02; = 0.02;
= 0.1 = 0.1 = 0.6
Hasil total pendapatan optimal Rp 10.637.276.320 Rp 10.832.263.220 Rp 10.544.396.023
Error rate varians pendapatan 10% 28% 11%
= 30 ;
0.1 0.2 0.3 0.5 0.6 0.7 0.8 0.9
= 50 ; 0.1 0.2 0.3 0.5 0.6 0.7 0.9
= 0.04; Single point Crossover
Hasil total pendapatan optimal Rp 3.378.233.003 Rp 3.268.035.485 Rp 3.412.422.967 Rp 3.245.759.447 Rp 3.332.872.813 Rp 3.299.346.420 Rp 3.415.832.928
Error rate varians 18% 8% 4.7% 19% 22% 17% 27%
Selisih standart deviasi harga 83.789.1111 69.519.6541 56.936.52601 92.565.47799 52.603.48409 95.326.35626 9.8789
Selisih standart deviasi harga 147.476.32 101.957.67 131.774.44
= 0.02; Single point Crossover Hasil total pendapatan optimal Rp 3.442.941.071 Rp 3.875.208.675 Rp 3.450.722.647 Rp 3.163.709.800 Rp 3.400.555.411 Rp 3.747.952.878 Rp 3.450.554.643 Rp 3.339.181.968
Error rate varians
Selisih standart deviasi harga
12% 18% 5% 29% 23% 19% 23% 17%
79.517.3227 86.681.6696 76.919.2546 78.444.26419 66.186.1531 105.464.4 89.268.10107 8.8820
Npop = 50 ; Pm = 0.02; Single point Crossover 0.5 0.7 0.8
Hasil total pendapatan optimal Rp 3441036686 Rp 3385801250 Rp 3419414098
Error rate varians 25% 25% 8.6%
Selisih standart deviasi harga 88.880.16181 92.024.76133 102.400.122
Npop = 30 ; Pm = 0.04; Single point Crossover
0.1 0.4 0.5 0.7 0.9
Hasil total pendapatan optimal Rp 3197939689 Rp 3234493185 Rp 3161728449 Rp 3343929298 Rp 3368261136
Error rate varians 4.5% 25% 28% 7.5% 19%
Selisih standart deviasi harga 7.428.50596 69.696 59.005.13401 7.4050 7.2022
Perbandingan Solusi Dihasilkan Standart Retail Sebelum Optimasi GA
Total Pendapatan:
Solusi ke- (parameter)
(
Rp 10.363.906.684
Setelah Optimasi GA
Validasi
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%
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%
3 = 50 ; = 0.02; = 0.6)
Total Pendapatan: Rp 10.544.396.023 Varian data: 5.219 Standart deviasi: 22846359
Error rate varian: 11%
Varian data: 7.500 Standart deviasi: 27386516.34
(
(
Selisih standart deviasi: 147.476
Selisih standart deviasi: 101.957
Selisih standart deviasi: 131.774
Perbandingan Solusi Premium Retail
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 = = 0.1 single point crossover dan = 0.02. 50, 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, = = 0.04. Sedangkan 0.6 single point crossover dan 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 yang jika digunakan dengan tepat terdapat niali akan menghasilkan solusi paling optimal dan tepat. untuk uji coba juga harus • Pemilihan komposisi disesuaikan dengan berapa data yang dimiliki. Pemilihan yang terlalu banyak dapat memperlambat waktu komputasi dalam menemukan terlalu sedikit akan memiliki solusi dan jika 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 = 50, = 0.1 Single Point Crossover dan = 0.02. Rp 10.832.263.220 dengan Sedangkan total pendapatan optimal untuk 24 bulan pada kategori Premium Retail sejumlah Rp Rp 3.332.872.813 adalah = 50, = 0.6Single Point Crossover = 0.04. Perbandingan dapat dilihat pada Gambar 29. dan
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.
Tingkat Elastisitas Standart Retail 70.000
60.000
50.000
40.000
30.000
20.000
10.000
0.000 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Tingkat Elastisitas Premium Retail 70.000
60.000
50.000
40.000
30.000
20.000
10.000
0.000
back
