KEBIJAKAN HARGA PADA SALURAN ONLINE TRAVEL AGENCY

BERDASARKAN MODEL DYNAMIC PRICING MENGGUNAKAN METODE

NONLINEAR INTEGER PROGRAMMING UNTUK MEMAKSIMALKAN
KEUNTUNGAN PENJUALAN KAMAR PADA HOTEL

ONLINE TRAVEL AGENCY CHANNEL PRICING POLICY BASED ON

DYNAMIC PRICING MODEL USING NONLINEAR INTEGER
PROGRAMMING APPROACH TO MAXIMIZE SALES PROFIT ON HOTEL

Salman Shadiqurrachman1, Ari Yanuar Ridwan2, Putu Giri Artha Kusuma3

1,2,3
Prodi Studi S1 Teknik Industri, Fakultas Rekayasa Industri, Universitas Telkom
1
salman.shadiqurrachman@gmail.com 2ariyanuar@telkomuniversity.ac.id,
3
putugirik@telkomuniversity.ac.id

Abstrak
Strategi dynamic pricing untuk kerja sama antara hotel dan online travel agency (OTA) umumnya
diterapkan untuk membangun kebijakan penetapan harga. Tujuan dari penelitian ini adalah untuk
mengusulkan kebijakan penetapan harga sesuai dengan model dynamic pricing pada saluran agen
perjalanan online tunggal. Penelitian ini menyediakan model dynamic pricing yang disesuaikan dengan
masalah hotel dengan berbagai jenis kamar. Penelitian terdiri dari dua tahap. Pertama, kami
menerapkan alat manajemen pendapatan yaitu dynamic pricing untuk memodelkan pengaruh harga
terhadap permintaan. Harga berubah secara dinamis berdasarkan parameter model permintaan. Kedua,
kami menggunakan pendekatan nonlinear integer programming untuk memaksimalkan keuntungan
dengan mempertimbangkan model permintaan yang memiliki nilai root mean square error terendah.
Parameter model permintaan diestimasi dengan menggunakan data penjualan historis dari salah satu
hotel di Bandung, Jawa Barat, Indonesia. Hasil kami mengusulkan kebijakan penetapan harga setiap
jenis kamar yang mampu meningkatkan 18,54% dari keuntungan penjualan historis. Kebijakan
penetapan harga yang diusulkan melengkapi kekosongan metode dalam kebijakan penetapan harga yang
ada. Selain itu, temuan ini memberikan tarif kamar yang optimal kepada manajer front office di
sepanjang horison perencanaan.

Kata kunci : dynamic pricing, online travel agency, kebijakan harga, manajemen pendapatan

Abstract
A dynamic pricing strategy on the cooperation between a hotel and an online travel agency (OTA) is
commonly applied to build a pricing policy. The purpose of this study is to propose a pricing policy according
to the dynamic pricing model on a single online travel agency channel. The paper provides a dynamic pricing
model adjusted to hotel problems with multiple room standards. The study consists of two stages. First, we
apply a revenue management tool that is dynamic pricing to model the effect of price on demand. The price
dynamically changes based on the parameter of demand model. Second, we use a nonlinear integer
programming approach to maximize the profit by substituting the demand model which has the lowest root
mean square error. The parameter of the demand model is estimated by using the historical sales-price data
from one of the hotels in Bandung, West Java, Indonesia. Our results propose a pricing policy of each room
standard that able to increase 18.54% from the historical sales profit. The proposed pricing policy completes
the gap of the method in the existing pricing policy. Moreover, the findings provide an optimal room rate to
the front office manager along the planning horizon.

Keywords: dynamic pricing, online travel agency, pricing policy, revenue management

1. Pendahuluan

Dalam beberapa dekade terakhir, banyak hotel telah berkolaborasi dengan online travel agency (OTA)
untuk memesan kamar hotel di industri pariwisata [1]. Tantangan yang dihadapi hotel adalah memanfaatkan
saluran OTA untuk memaksimalkan pendapatan dengan mengelola informasi kamar hotel, seperti tarif kamar
yang ditawarkan. Untuk mendapatkan tarif optimal, hotel umumnya mengembangkan kebijakan penetapan harga
dengan menggunakan alat pada manajemen pendapatan [2].
Manajemen pendapatan secara umum diterapkan untuk industri perhotelan untuk mencapai tingkat
pendapatan bersih yang optimal yang sebagian besar dihasilkan dari penjualan kamar [3]. Khususnya,
manajemen pendapatan hotel mendefinisikan sebagai instrumen penting untuk menjual kamar yang tepat kepada
pelanggan yang tepat, waktu yang tepat, harga yang tepat, dan saluran distribusi yang tepat dengan efisiensi
komisi terbaik [3,4].
Alat yang digunakan dalam konsep manajemen pendapatan untuk mengelola strategi harga disebut sebagai
pricing tools [3]. Beberapa peneliti telah mengembangkan kebijakan penetapan harga dengan alat penetapan
harga seperti price discrimination, dynamic pricing, price presentation, price parity, dan lowest price guarantee.
Namun, dalam beberapa tahun terakhir, dynamic pricing telah banyak diadopsi dan berhasil dioperasikan dalam
hal kebijakan penetapan harga yang berkembang di industri perhotelan [2,5].
Pada penelitian ini, peneliti mengkaji permasalahan rantai pasok saluran daring pada salah satu hotel
berbintang 3 di Kota Bandung, Provinsi Jawa Barat. Pihak hotel bekerja sama dengan online travel agency untuk
memasarkan kamarnya yaitu Kamar Superior dan kamar Deluxe. Salah satu pihak situs web yang bermitra
dengan pihak hotel yaitu Traveloka. Permasalahan yang dihadapi pihak hotel dipicu oleh penurunan revenue per
available room (RevPAR) untuk setiap jenis kamar yang dijual pada saluran OTA sejak tahun 2017 hingga tahun
2018. Penurunan tersebut memengaruhi keuntungan penjualan tiap kamar yang berkontribusi besar pada
keberlangsungan bisnis hotel. Gambar 1 menunjukkan RevPAR sepanjang tahun 2017 hingga tahun 2018.

 350.000 Superior Deluxe Linear (Superior) Linear (Deluxe)

 300.000
Rupiah/Kamar

 250.000
 200.000
 150.000
 100.000
 50.000
 ‐
Okt‐17

Okt‐18
Jan‐17
Feb‐17
Mar‐17
Apr‐17

Nov‐17
Jun‐17
Jul‐17

Sep‐17

Des‐17
Jan‐18
Feb‐18
Mar‐18
Apr‐18

Jun‐18
Jul‐18

Sep‐18

Nov‐18
Des‐18
Mei‐17

Mei‐18
Agu‐17

Agu‐18
Periode

Gambar 1. Revenue per Available Room

Sumber: Data Hotel yang Dikaji

Berdasarkan pada Gambar 1, RevPAR tiap jenis kamar sepanjang tahun 2017 hingga tahun 2018 memiliki
garis tren yang menurun. RevPAR ini menunjukkan kemampuan setiap jenis kamar yang tersedia untuk
menghasilkan pendapatan (Ivanov, 2014). RevPAR tersebut dipengaruhi oleh harga kamar rata-rata dan tingkat
hunian kamar. Semakin besar harga kamar rata-rata dan tingkat hunian kamar menghasilkan RevPAR yang
semakin besar dan begitu juga sebaliknya.

100% Superior Deluxe Linear (Superior) Linear (Deluxe)

90%
Persentase Hunian

80%
70%
60%
50%
40%
30%
20%
10%
0%

Periode

Gambar 2. Tingkat Hunian Kamar

Sumber: Data Hotel yang Dikaji

Gambar 2 menunjukkan persentase tingkat hunian kamar semakin menurun pada setiap periodenya. Hal ini
berimplikasi average room rate (ARR) yang semakin besar pada tiap periodenya karena tingkat hunian kamar
dengan ARR memiliki hubungan berbanding terbalik. Berikut merupakan ARR melalui saluran OTA sepanjang
tahun 2017 – 2018 disajikan pada Gambar 3.
  550.000 Superior Deluxe Linear (Superior) Linear (Deluxe)
 500.000

Rupiah/Kamar
 450.000
 400.000
 350.000
 300.000
 250.000

Okt‐17

Des‐17

Okt‐18

Des‐18
Jan‐17
Feb‐17
Mar‐17
Apr‐17

Nov‐17
Jun‐17

Agu‐17
Sep‐17

Jan‐18
Feb‐18
Mar‐18
Apr‐18

Jun‐18

Agu‐18
Sep‐18

Nov‐18
Mei‐17

Jul‐17

Mei‐18

Jul‐18
Periode

Gambar 3. Average Room Rate

Sumber: Data Hotel yang Dikaji

ARR terus meningkat yang ditunjukkan pada Gambar I.5. Kenaikan tersebut mengartikan bahwa harga
yang ditawarkan setiap periode semakin besar dan hal inilah yang menjadi permasalahan pada penelitian ini.
Oleh karena itu, dibutuhkan penentuan harga yang optimal pada setiap periodenya untuk menghasilkan tingkat
hunian dan RevPAR yang semakin meningkat. Di sisi lain, penurunan RevPAR akan mengancam kestabilan
keuangan hotel dalam bisnis yang berkelanjutan.

2. Landasan Teori dan Metodologi Penelitian

2.1. Manajemen Pendapatan

Berdasarkan pernyataan El Haddad, Roper dan Jones (2008) dalam Ivanov (2014), manajemen pendapatan
merupakan instrumen penting untuk menyesuaikan pasokan dan permintaan dengan membagi pelanggan menjadi
beberapa segmen yang didasari oleh intensitas pembelian dan kapasitas alokasi kepada masing-masing segmen
untuk memaksimalkan pendapatan sebuah perusahaan. Menurut Kimes (1989) dan Kimes & Wirtz (2003) dalam
Ivanov (2014), manajemen pendapatan didefinisikan sebagai sekumpulan alat dan strategi untuk mencapai
pendapatan hotel pada tingkat optimal dengan menawarkan produk yang tepat kepada pelanggan yang tepat pada
waktu, harga, dan saluran distribusi yang tepat.

2.2. Dynamic Pricing

Pada ilmu manajemen pendapatan, dynamic pricing adalah sebuah strategi penetapan harga dimana
perusahaan menyesuaikan harga untuk produk dan layanan sebagai fungsi dari permintaan pada waktu yang
berbeda [7]. Sementara pada ilmu manajemen rantai pasok, dynamic pricing adalah suatu taktik untuk
menentukan harga bervariasi dari waktu ke waktu yang membutuhkan kehadiran segmen pelanggan yang
berbeda, dimana beberapa pelanggan bersedia membayar harga yang lebih tinggi untuk produk tersebut [8].
Gagasan dalam dynamic pricing adalah untuk memodelkan pengaruh harga produk pada waktu yang berbeda
terhadap permintaan suatu produk [6]. Model dynamic pricing dijelaskan oleh persamaan 1, 2, dan 3.

max Π 𝑄 ∑ 𝑃𝑄 𝐶𝑄 ∑ 𝑄 𝑃 𝐶 ………..................................………………..………... (1)

𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 𝑀 𝑄 𝐾, 𝑡 1, … , 𝑁……………………………………………………......................... (2)

𝑎𝑛𝑑 𝑃 𝑃 𝑃 , 𝑡 1, … , 𝑁……………………………………………………………............... (3)

Keterangan:
Π 𝑄 = jumlah keuntungan selama horison 𝑄 = jumlah penjualan pada periode t
perencanaan 𝑃 = harga rata-rata produk pada periode t
𝑁 = jumlah periode pada horison perencanaan 𝐶 = biaya satu ekstra produksi pada periode t
𝑡 = periode t pada horison perencanaan 𝐾 = batas atas kapasitas kamar pada periode t
𝑃𝑄 = jumlah pendapatan pada periode t 𝑀 = batas bawah kapasitas kamar pada periode t
𝐶𝑄 = jumlah biaya variabel pada periode t 𝑃 = batas atas harga produk pada periode t
𝑃 = batas bawah harga produk pada periode t
 Persamaan 1 menjelaskan fungsi tujuan dari model dynamic pricing yaitu memaksimasi jumlah keuntungan
penjualan sepanjang horison perencanaan. Dalam penentuan harga menggunakan model ini, diperlukan beberapa
batasan yang harus ditetapkan. Batasan pertama dituliskan pada Persamaan 2 dimana jumlah penjualan produk
berada dalam batasan kapasitas yang tersedia pada periode t. Batasan kedua diterangkan pada Persamaan 3
dimana harga suatu produk berada pada batasan harga yang dikehendaki oleh perusahaan.
Komponen yang penting dalam model dynamic pricing yaitu model permintaan yang menggambarkan
interaksi antara harga dengan permintaan [6]. Interaksi ini merepresentasikan jumlah permintaan suatu produk
dalam periode tertentu dipengaruhi oleh harga yang ditawarkan sepanjang horison perencanaan. Oleh karena itu,
permintaan pada setiap periode t (𝑄 ) dituliskan dalam bentuk fungsi harga yang ditunjukkan pada Persamaan 4.
𝑄 𝜓 𝑃 , 𝑃 , … , 𝑃 ………………………………………………………………………………………….. (4)
Dimana 𝜓 . merupakan fungsi permintaan pada periode t. Berdasarkan beberapa skenario, fungsi
permintaan dapat memiliki bentuk fungsi yang berbeda-beda. Fungsi permintaan ini disubtitusikan ke persamaan
1 dan 2, sehingga formula pada model dynamic pricing dituliskan pada persamaan 5, 6, dan 7.
𝑚𝑎𝑥 Π ∑ 𝜓 𝑃 , 𝑃 , … , 𝑃 𝑃 𝐶 ……………………………………………………………………... (5)

𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 𝑀 𝜓 𝑃 ,𝑃 ,…,𝑃 𝐾, 𝑡 1, … , 𝑁……………………………………………………. (6)

𝑎𝑛𝑑 𝑃 𝑃 𝑃, 𝑡 1, … , 𝑁……………………………………………………………………... (7)

2.3. Model Permintaan

Fungsi pada model permintaan ditentukan berdasarkan hubungan dependen harga terhadap jumlah
permintaan. Menurut Shakya (2012), terdapat tiga jenis model permintaan yang sering digunakan antara lain
model permintaan linier dan model pemintaan eksponensial. Berikut penjelasan mengenai model permintaan
linier dan model permintaan eksponensial.

1. Model Permintaan Linier

Model ini berasumsi bahwa harga bergantung secara linier dengan jumlah permintaan. Formulasi model
permintaan linier ditunjukkan pada Persamaan 8. Nilai at merupakan intercept dari model linier yang
menjelaskan jumlah pelanggan yang ingin membeli produk pada period t dan nilai bjt merupakan slope
dari model linier yang mendefinisikan pengaruh harga pada periode j terhadap permintaan pada periode
t.
𝑄 𝑎 ∑ 𝑏 𝑃 ............................................................................................................................... (8)
2. Model Permintaan Eksponensial
Pada model ini berasumsi bahwa hubungan antara harga dengan jumlah permintaan adalah
eksponensial. Formulasi model permintaan eksponensial ditunjukkan pada Persamaan 9. Parameter
model ini terdiri dari at dan bjt dimana memiliki pengertian yang serupa dengan parameter pada model
linier. Sedangkan nilai e merupakan nilai basis dari logaritma natural (e = 2.718).
∑
𝑄 𝑒 .................................................................................................................................. (9)

2.4 Nonlinear Integer Programming

Beberapa penelitian dengan menggunakan metode heuristics sudah dilakukan untuk permasalahan
optimasi, seperti optimasi waktu delay [9], mengurangi produk blokir [10], dan optimasi waktu travel [11].
Metode heuristics yang digunakan pada penelitian ini yaitu nonlinear integer programming. Menurut Li & Sun
[12], bentuk umum permasalahan nonlinear integer programming (NLIP) untuk mencari nilai x =
(𝑥 , 𝑥 , … . , 𝑥 ) dengan fungsi tujuan:

𝑚𝑖𝑛 𝑓 𝑥

𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 𝑔 𝑥 𝑏 ,𝑖 1, … , 𝑚,

𝑥 ∈ 𝑋,

dimana nilai f dan gi, i = 1, ..., m, merupakan fungsi nilai real pada himpunan bilangan real. Sementara, nilai X
adalah subset terbatas pada himpunan bilangan bulat, yang mana set dari seluruh titik integer di himpunan
bilangan real.
2.5 Metodologi Penelitian

Pada bagian ini, peneliti menyajikan kerangka kerja pemodelan yang disesuaikan berdasarkan masalah
optimasi dynamic pricing pada hotel yang dikaji. Model yang diusulkan berfokus pada penerapan pricing tools.
Kerangka kerja pemodelan dalam penelitian ini diilustrasikan pada Gambar 4. Asumsi model yang diusulkan
adalah: kapasitas untuk setiap jenis kamar dan setiap periode tetap, ARR dibatasi berdasarkan harga kamar rata-
rata tertinggi dan terendah historis, total keuntungan tidak dipengaruhi oleh lama menginap, dan penjualan
kamar di sepanjang horison perencanaan didapatkan berdasarkan model permintaan.

Online Travel Agency Hotel

Pelanggan

Batas maksimum Batas minimum

kapasitas kamar kapasitas kamar
Permintaan pelanggan

Jumlah Malam Kamar Data Historis Penjualan dan

yang Terjual Harga
Average Room Rate

Batas ARR tertinggi Batas ARR terrendah Parameter Model Permintaan

 Model Linier
 Model Eksponensial
Biaya Variabel
 Biaya housekeeper
 Biaya cleaning supplies dan
amenities
 Biaya laundry
 Biaya utilitas
 Biaya perawatan
 Biaya komisi

Jumlah keuntungan penjualan

Tahap 1
Tahap 2 Penentuan Parameter
Perhitungan Keuntungan Penjualan Model Permintaan

Model Dynamic Pricing

Fungsi tujuan: Memaksimasi jumlah keuntungan penjualan sepanjang
horison perencanaan

Gambar 4. Kerangka Kerja Pemodelan

Para pemangku kepentingan dari sistem nyata adalah hotel, pelanggan, dan OTA. Tujuan dari tahap
pertama adalah untuk menentukan parameter model dan membandingkan root mean square error dari model
permintaan. Dalam penelitian ini, kami menerapkan model linier dan model eksponensial yang sesuai dengan
data harga jual historis [6]. Data harga penjualan historis diperoleh dari permintaan pelanggan. Dalam model
linier dan model eksponensial, regresi linier digunakan untuk mendapatkan parameter model.
Selanjutnya, hotel dan OTA terlibat dalam tahap kedua. Tujuan dari tahap kedua adalah menghitung
keuntungan penjualan setiap jenis kamar sepanjang horison perencanaan (𝛱 𝑄 ). Total keuntungan diperoleh
dari selisih antara total pendapatan penjualan (𝑄 𝑃 ) dan total biaya variabel (𝑄 𝐶 ). Perkiraan penjualan
(𝑄 ) didefinisikan sebagai fungsi dari harga kamar rata-rata untuk setiap jenis kamar dan setiap periode kamar
dengan mengsubtitusikan parameter model permintaan. Jumlah malam kamar yang terjual harus dalam bentuk
integer, karena karakteristik permintaan kamar bernilai bilangan bulat. Oleh karena itu, 𝑄 dan 𝑃 akan
diperkirakan dengan nonlinear integer programming untuk memaksimalkan total keuntungan penjualan di
sepanjang horison perencanaan. Jumlah malam kamar yang terjual memiliki nilai yang tidak melebihi batasan
kapasitas kamar (𝑀 𝑄 𝐾 ) dan harga kamar rata-rata harus dalam batas harga (𝑃 𝑃 𝑃 ).
2.6 Penyesuaian Formulasi Model Dynamic Pricing

Dalam penelitian ini, tujuan dari model penetapan harga dinamis adalah untuk memaksimalkan keuntungan
penjualan kamar pada saluran OTA tunggal. Model dynamic pricing dinyatakan pada Persamaan 10 yang
mengacu pada [6] dan mempertimbangkan beberapa jenis kamar.

𝑚𝑎𝑥 Π 𝑄 ∑ ∑ Π 𝑄 ∑ ∑ 𝑄 𝑃 𝐶 ....................................................................... (10)

Nilai 𝛱 𝑄 berarti total keuntungan penjualan dari periode t hingga N dari setiap jenis kamar yang
ditawarkan ke OTA (𝑘 1, … , 𝐿). Persamaan 11 menggambarkan total keuntungan penjualan di setiap periode
dan jenis kamar yang diperoleh dari pengalian jumlah penjualan (𝑄 ) dengan margin keuntungan (𝑃 𝐶 ).
Penjualan setiap kamar dalam periode t harus berada dalam batasan kapasitas kamar masing-masing jenis
kamar untuk saluran OTA. Dalam hal ini, jumlah kapasitas atau dapat disebut alokasi untuk semua jenis kamar
per periode adalah sama sehingga batasan kapasitas untuk masalah ini ditunjukkan dalam Persamaan 12. Jumlah
penjualan harus berupa nilai integer. Dengan pernyataan itu, model menyertakan batasan bilangan integer yang
dinyatakan dalam Persamaan 13.

𝑀 𝑄 𝐾 , 𝑡 1, … , 𝑁 , 𝑘 1, … , 𝐿................................................................................................. (11)

𝑄 𝑖𝑛𝑡𝑒𝑔𝑒𝑟 𝑡 1, … , 𝑁 , 𝑘 1, … , 𝐿................................................................................................. (12)

Batasan harga untuk semua jenis kamar untuk setiap periode ditentukan berdasarkan nilai tertinggi dan nilai
terendah dari data harga kamar historis. Penentuan band harga dimaksudkan agar harga kamar rata-rata yang
diusulkan akan menghasilkan keuntungan yang tidak lebih rendah atau lebih tinggi dari laba historis. Persamaan
13 menunjukkan batasan harga untuk harga kamar rata-rata yang akan diusulkan setiap periode.

𝑃 𝑃 𝑃 , 𝑡 1, … , 𝑁 , 𝑘 1, … , 𝐿.................................................................................................. (13)

3. Pengolahan Data dan Pembahasan

3.1. Pengolahan Data

Pada penelitian ini, peneliti menentukkan harga kamar rata-rata (ARR) untuk kamar deluxe (k = 1) dan
kamar superior (k = 2) sepanjang horison perencanaan ke depan yaitu empat minggu ke depan (N = 4). Peneliti
mempertimbangkan data penjualan dan harga historis selama 24 bulan atau dua tahun. Tahap pertama yaitu
menentukan model permintaan dari setiap jenis kamar dengan mengevaluasi nilai root mean square error
(RMSE).

∑∈
𝑅𝑀𝑆𝐸 .................................................................................................................... (14)

Persamaan 14 menunjukkan formula RMSE, dimana nilai K merupakan jumlah data sampel. Nilai RMSE
bertujuan untuk mengukur tingkat akurasi dari hasil model permintaan [6]. Tabel 1 menampilkan nilai RMSE
dari setiap jenis permintaan pada tiap jenis kamar.

Tabel 1 Nilai RMSE

Jenis Kamar Model Permintaan RMSE
Linier 5.47073
Deluxe
Eksponential 5.59113
Linier 4.03382
Superior
Eksponential 4.16241

Berdasarkan hasil perhitungan RMSE dari setiap model permintaan, model linier menghasilkan performasi yang
paling baik. Hal ini dikarenakan semakin kecil nilai RMSE mengartikan model permintaan mendekati
permintaan historis. Kemudian, parameter model linier akan dijadikan input pada model dynamic pricing yang
diselesaikan menggunakan nonlinear integer programming. Tabel 2 menunjukkan parameter model linier dari
tiap jenis kamar.
 Tabel 2 Parameter Model Linier dari Tiap Jenis Kamar
Deluxe (k = 1)
t at b1t b2t b3t b4t
1 11.06525 1.67922E-05 -4.55121E-05 6.25390E-05 -3.68797E-05
2 3.60741 -2.53174E-05 5.02677E-05 -3.11485E-05 1.60515E-05
3 9.99326 -1.64401E-05 -2.22002E-05 4.63863E-05 -1.27777E-05
4 -1.52062 -3.00716E-05 -1.05629E-06 3.76617E-05 2.08698E-05
Superior (k = 2)
t at b1t b2t b3t b4t
1 37.74385 8.74744E-06 -5.14554E-05 3.73707E-05 -5.50743E-05
2 29.33012 -8.37052E-06 2.34505E-05 -6.60623E-05 1.04070E-05
3 40.75649 -7.10526E-05 -3.00008E-05 1.26975E-05 6.45356E-06
4 47.87436 -2.15231E-05 -2.70908E-05 -9.26502E-05 3.87806E-05

Peneliti mempertimbangkan parameter untuk batasan kapasitas dan batasan harga yang digunakan untuk
menyelesaikan optimasi keuntungan disajikan pada Tabel 3. Komponen optimasi dijelaskan sebagai berikut:
penjualan setiap kamar didefinisikan sebagai variabel sistem; tarif kamar rata-rata (ARR) didefinisikan sebagai
variabel keputusan; dan total laba dari setiap standar kamar sepanjang horizon perencanaan didefinisikan sebagai
fungsi objektif. Tabel 4 menyajikan hasil optimasi menggunakan nonlinear integer programming.

Tabel 3 Parameter Batasan Kapasitas dan Batasan Harga

Jenis Kamar Mk Kk Pkt Pkt
P11 = 311,000; P13 = 258,750; P11 = 757,500; P13 = 379,261;
Deluxe 0 28
P12 = 277,750; P14 = 258,750 P12 = 427,500; P12 = 427,500

P21 = 258,750; P23 = 216,000; P21 = 444,000; P23 = 361,000;

Superior 0 28
P22 = 226,925; P24 = 216,000 P22 = 380,000; P24 = 380,000

Tabel 4 Hasil Optimisasi

Jumlah Keuntungan
Jumlah Penjualan (Malam) ARR (Rp)
t Penjualan (Rp)
Deluxe Superior Deluxe Superior
1 6 11 345,242 260,098
2 11 24 422,262 317,430 26,327,868
3 7 18 370,653 220,234
4 10 28 401,978 379,776

3.2. Analisis Perbandingan Keuntungan Penjualan

Berdasarkan tujuan optimisasi, peneliti membandingkan keuntungan penjualan historis dengan keuntungan
penjualan dari model yang diusulkan. Keuntungan historis didapatkan dari keuntungan pada bulan yang
bersesuaian. Tabel 5 menampilkan kenaikkan keuntungan penjualan setelah dilakukan optimisasi.

Tabel 5 Perbandingan Keuntungan Penjualan

Historis Hasil Optimisasi
t
Deluxe Superior Deluxe Superior
1 Rp 3,089,035 Rp 4,438,838 Rp 1,426,857 Rp 1,877,973
2 Rp 1,357,552 Rp 3,886,127 Rp 3,283,422 Rp 5,181,501
3 Rp 1,592,233 Rp 1,950,416 Rp 1,804,813 Rp 2,507,679
4 Rp 1,126,176 Rp 4,770,328 Rp 2,825,112 Rp 7,420,512
Total Rp 22,210,704 Rp 26,327,868
% Kenaikkan 18.54%

Optimisasi dapat meningkatkan keuntungan penjualan sebesar 18,54% dari keuntungan penjualan historis.
Hasil dari penelitian ini dapat memberikan opsi bagi manajer front office dalam menentukan harga kamar,
dimana kebijakan penetapan harga yang ada ditentukan berdasarkan intuisi dari manajer front office. Ini
berpotensi buruk jika manajer kantor depan tidak lagi bekerja di hotel. Hotel ini membutuhkan metode untuk
membangun kebijakan penetapan harga tanpa mengandalkan manajer front office untuk meningkatkan
keuntungan penjualan atau setidaknya sama dengan horison sebelumnya. Model yang diusulkan melengkapi
kesenjangan metode dalam kebijakan penetapan harga yang ada. Meskipun, harga kamar rata-rata harus
disesuaikan kembali setiap hari berdasarkan acara tertentu seperti hari libur nasional, wisuda, malam tahun baru,
dan acara lainnya selama harga kamar yang ditawarkan mencapai harga kamar rata-rata optimal dalam
seminggu.

4. Kesimpulan
Berdasarkan hasil pengolahan pada penelitian ini, dapat disimpulkan menjadi beberapa poin antara lain:
1. Dalam pembentukkan model permintaan, model linier memiliki nilai RMSE terendah dibandingkan
dengan model eksponensial yaitu sebesar 5.47073 untuk jenis kamar deluxe dan sebesar 4.03382 untuk
jenis kamar superior.
2. Model dynamic pricing menghasilkan keuntungan penjualan sebesar Rp 26,327,868 dimana nilai
tersebut memiliki kenaikkan sebesar 18.54% dari keuntungan penjualan historis. Harga kamar rata-rata
(ARR) yang diusulkan untuk jenis kamar deluxe sepanjang horison perencanaan yaitu Rp 345,242, Rp
422,262, Rp 370,653, dan Rp 401,978. Sementara harga kamar rata-rata (ARR) yang diusulkan untuk
jenis kamar superior sepanjang horison perencanaan yaitu Rp 260,098, Rp 317,430, Rp 220,234, dan Rp
379,776.
3. Penentuan average room rate berdasarkan model dynamic pricing melengkapi kesenjangan metode
dalam kebijakan penetapan harga eksisting. Metode penetapan harga tidak mengandalkan manajemen
front office melainkan melakukan pengolahan data penjualan historis untuk memperkirakan penjualan
beserta harga rata-rata kamar yang ditawarkan.

Daftar Pustaka:
[1] L. Xu, P. He, and Z. Hua, “A New Form for a Hotel to Collaborate with a Third-Party Website: Setting
Online-Exclusive-Rooms,” Asia Pacific J. Tour. Res., vol. 20, no. 6, pp. 635–655, 2015.
[2] H. A. Aziz, M. Saleh, M. H. Rasmy, and H. Elshishiny, “Dynamic room pricing model for hotel revenue
management systems,” Egypt. Informatics J., vol. 12, no. 3, pp. 177–183, 2011.
[3] S. Ivanov, Hotel Revenue Management: From the theory to Practice. 2014.
[4] P. Landman, “Leadership in Revenue Management,” Xotels, pp. 1–65, 2015.
[5] X. Guo, L. Ling, C. Yang, Z. Li, and L. Liang, “Optimal pricing strategy based on market segmentation
for service products using online reservation systems: An application to hotel rooms,” Int. J. Hosp.
Manag., vol. 35, pp. 274–281, 2013.
[6] S. Shakya, M. Kern, G. Owusu, and C. M. Chin, “Neural network demand models and evolutionary
optimisers for dynamic pricing,” Knowledge-Based Syst., vol. 29, pp. 44–53, 2012.
[7] K. T. Talluri and G. J. Van Ryzin, The Theory and Practice of Revenue Management, vol. 3, no. 4. 2004.
[8] S. Chopra and P. Meindhl, Supply Chain Management: Strategy, Planning, and Operation, 6th ed.
Pearson Education, 2016.
[9] A. K. Putra, A. Y. Ridwan, and R. Aurachman, “Design of Storage Allocation Using Interaction
Frequency Heuristic-Order Oriented Slotting Approach to Reduce Delay Time on Traveling Searching
Activities in Refinery Unit V Warehouse PT XYZ,” J. Rekayasa Sist. Ind., vol. 7, no. 1, p. 1, 2018.
[10] R. Nofal, A. Y. Ridwan, and B. Chulasoh, “Design of Chemical Products Warehouse Layout Using
Heuristic Approach and Share Storage Method to Improve Capacity and Reduce Out Of Block
Products,” Proceeding 11th Int. Conf. Logist. Supply Chain Syst. 2016, vol. 11, no. 1, pp. 455–461,
2016.
[11] T. P. Sari, A. Y. Ridwan, and R. Aurachman, “Designing Floor Tile Warehouse Layout Using Heuristic
Approach Method to Increase Warehouse Capacity and Reduce Travel Distance,” Int. J. Innov. Enterp.
Syst., vol. 1, no. 01, p. 44, 2017.
[12] D. Li and X. Sun, Nonlinear Integer Programming. P.R. China: Springer, 2006.