memberikan uji 48 tes masalah untuk pengaturan percobaan.dalam semua masalah pengujian, ditemukan
garis yang berhubungan dengan file data untuk semua masalah pengujian.digambarkan dengan format file data pada lampiran C.
Hal ini bermanfaat untuk di catat bahwa interaksi antara menciptakan
situasi yang menarik. Sebagai contoh, ketika , jika pendapatan yang
berhubungan dengan tarif rencana perjalanan rendah adalah f , maka biaya akhir yang terkait dengan rencana perjalanan adalah 4 f dan pendapatan yang terkait sesuai dengan rencana
perjalanan adalah tarif yang tinggi dinyatakan dengan 8 f. dalam hal ini, jika memiliki permintaan untuk ongkos perjalanan tinggi dan jenis penerbangan di rencana perjalanan dapat
dipindah bukukan dengan reservasi untuk jadwal tarif yng murah,maka masih dapat diterima permintaan ongkos perjalanan yang tinggi dan menolak naik ketarif reservasi yang murah
untuk membuat laba bersih digunakan cara 8 f – 4 f. ini sesuai dengan kasus dimana jadwal tarif tinggi murah mendapatkan tarif premi sesuai dengan jadwal yang rendah. Disisi lain,
ketika premi seperti itu tidak terjadi. Sebagai catatan bahwa uji
masalah dengan cendrung memiliki biaya akhir yang lebih tinggi dari uji
masalah dengan yang pada gilirannya, cendrung memiliki denda yang lebih
tinggi dari biaya dibandingkan dengan uji masalah dengan
3.3.2. Strategi Benchmark
Membandingkan kenerja dari 7 strategi Benchmark sebagai berikut.
Dekomposisi Pemrograman Dinamik DPD strategi ini berpatokan sesuai dengan
kebijakan DPD yang diberikan oleh 36. Menggunakan M = 100 ketika menghitung semua diperkirakan dengan menggunakan 1000 sampel Monte Carlo.
Dengan pengaturan ini, digunakan interval kepercayaan 95 dengan harapan presisi ±
4,1 sedangkan interval kepercayaan 95 yang digunakan untuk biaya akhir yang diharapkan terjadi pada waktu keberangkatan memiliki presisi ± 1,8.
Program Linier Deterministik PLD ini berpatokan dengan strategi sesuai
kebijakan PLD dalam 12. Varian dasar dari strategi ini hanya untuk menyelesaikan masalah 7 – 11 untuk mendapatkan nilai optimal dari variabel-variabel ganda yang terkait dengan
kendala 8 dan menggunakan variabel ganda untuk menerapkan kebijakan PLD.Digunakan varian reoptimis dari strategi, dimana dibagi secara horizon perencanaan ke segmen K dan
menyelesaikan versi terbaru masalah 7 – 11 untuk setiap segmen. Secara khusus, diingat
Universitas Sumatera Utara
bahwa keadaan pemesanan pada awal segmen K adalah diganti sisi sebelah
kanan 8 dengan yang mana sebelah kanan
adalah kendala 9 dengan dengan sebelah kanan adalah kendala
10 dengan dan pemecahannya adalah dengan versi modifikasi
dari masalah 7 – 11. Misalkan menjadi nilai optimal dari variabel- variabel
ganda yang terkait dengan kendala 8, nilai-nilai ini digunakan untuk memperbaharui aturan pengambilan keputusan dalam 12 sehingga diselesaikan masalah 7 – 11 yang dimulai
dengan segmen berikutnya. Digunakan K = 20 dipercobaan komputasi.
Finite Differensis In the Deterministic Linear Program FDD dinyatakan dengan
keadaan pemesanan pada awal priode waktu t adalah , FDD mendekati total laba yang
diharapkan secara optimal dalam jangka waktu { t,…,0} dengan menggunakan nilai tujuan yang optimal dari masalah
Dinyatakan menjadi nilai objektif optimal dari permasalahan diatas, FDD
menggunakan sebagai pendekatan untuk
. Dalam kasus ini,dapat dibuat keputusan dengan mengganti
dalam pengambilan keputusan 6 digunakan aturan
. Pendekatan ini diajukan dalam Bertsimas dan Popescu 2003. Sama dengan PLD, FDD juga menggunakan versi reoptimis, dimana kita membagi
horizon perencanaan segmen sama dengan K dan melakukan pengambilan keputusan yang dimulai dari awal setiap segmen. Mengingat bahwa keadaan pemesanan pada awal segmen K
adalah , dihitung
untuk setiap . Disusul aturan pengambilan
keputusan dalam 6. Jika diketahui maka selalu
Universitas Sumatera Utara
menerima permintaan untuk jadwal perjalanan j hingga mencapai awal segmen berikutnya dan dilakukan langkah dalam aturan pengambilan keputusan. Dengan menggunakan K = 20.
Capasitas Virtual Berdasarkan Computasi Nyata CVN , dalam strategi
benchmark ini, kapasitas virtual pada perusahaan penerbangan untuk sekali keberangkatan dianggap bahwa ketidakhadiran pada keberangkatan merupakan nilai yang diharapkan. Ini
menyatakan bahwa perusahaan penerbangan membuat alokasi kapasitas dibawah asumsi bahwa semua yang memesan tempat akan hadir, namun kapasitas pada keberangkatan sama
dengan kapasitas virtual.dengan kata lain, dicatat bahwa reservasi muncul pada waktu keberangkatan dengan probabilitas q, perusahaan penerbangan menetapkan kapasitas virtual
pada i satukali keberangkatan dengan dan memecahkan sebuah program linier
dengan versi deterministik 7 – 11 yang dinyatakan dengan
dengan permasalahan diatas, CVN menggunakan kebijakan PLD dalam 12 sama dengan PLD dan FDD menggunakan versi reoptimis dari CVN dengan 20 reoptimasi.
Virtual Capasitas sesuai Model Ekonomi VCE salah satu karakteristik dari CVN
adalah memilih kapasitas virtual berdasarkan asumsi bahwa ketidakhadiran pada saat keberangkatan merupakan nilai yang diharapkan. Namun, tergantung pada timbal balik tarif,
biaya denda dan kemunculan probabilitas, keinginan yang berlebih atau peminat yang lebih banyak dari nilai nilai yang diharapkan dari ketidakhadiran. Tujuan dari VCE adalah untuk
membuat tingkat kehadiran yang lebih kecil. VCE diusulkan dalam Karaesmen dan Van ryzin 2004a dan didasarkan pada tiga asumsi sebagai berikut, pertama pendapatan yang dibuat
dari satu unit kapasitas penerbangan yang diketahui. Dinyatakan menjadi pendapatan yang dibuat dari satu unut kapasitas penerbangan i. Kedua, jika pemesanan menggunakan kapasitas
dari beragam penerbangan, maka dapat memungkinkan untuk mendapatkan izin keberangkatan, sedangkan jika tidak mendapat izin keberangkatan maka keberangkatan
dialihkan pada penerbangan yang lain. Selanjutnya, biaya denda untuk pembatalan pemesanan pada penerbangan yang diketahui. dinyatakan dengan
menjadi biaya akhir dari kegagalan keberangkatan dalam reservasi penerbangan i. Ketiga, jika sebuah perusahaan
21
Universitas Sumatera Utara
penerbangan dengan virtual kapasitas dalam penerbangan i adalah maka penjualan
pemesanan direservasikan pada penerbangan i.
Dengan ketiga asumsi tersebut diatur kapasitas virtual pada penerbangan i adalah ,
kemudian ditukar menjadi reservasi dalam penerbangan i. Dalam hal ini, asumsi yang
pertama menyiratkan bahwa pendapatan terbesar dihasilkan dari disisi lain, dinyatakan
menjadi sebuah variabel rendom distrubusi binomial dengan parameter maka
jumlah pemesanan yang muncul pada waktu keberangkatan diberikan oleh dan
asumsi kedua menyiratkan bahwa biaya akhir yang diharapkan dapat dikenakan pada penerbangan i adalah
. Oleh karena itu, VCE memecahkan masalah
untuk mengatur kapasitas virtual pada penerbangan i. Setelah kapasitas virtual diatur, hasil VCE sama dengan hasil CVN.
Karaesmen dan Van ryzin 2004a menyarankan beberapa pilihan dari dan .
Setelah dikerjakan, didapat hasil dan
untuk setiap . Untuk mendistribusikan pendapatan secara merata dan biaya akhir yang berhubungan
dengan rencana perjalanan dengan menggunakan penerbangan. Dalam hal ini dicoba memilih sebagai
atau atau
dan adalah
atau atau
. Dengan menggunakan semua kombinasi pilihan, ada sembilan pilihan untuk dan
. Telah diuji kinerja dari sembilan pilihan untuk semua uji tes masalah, tetapi untuk singkatnya hanya
laporan hasil yang sesuai dengan pilihan terbaik, untuk masalah uji coba dibedakan dan dapat berbeda. Sama seperti CVN digunakan bentuk reoptimis dari VCE dengan 20
reoptimasi.
Virtual Capasitas Gabungan dengan keputusan Alokasi kapasitas VCG
baik CVN dan VCE keduanya menggunakan asumsi bahwa kita dapat mengatur kapasitas virtual
pertama, dan kemudian dengan kebijakan untuk menerima atau menolak permintaan jadwal kapasitas. Sebaliknya, VCG menggunakan biaya akhir
didalam masalah 37 – 40, untuk menggabungkan kapasitas virtual dan kebijakan yang muncul
untuk menolak atau menerima rencana perjalanan. Secara khusus VCG memecahkan masalah
Universitas Sumatera Utara
Dimama digunakan interpolasi dari fungsi untuk dapat menghitung
fraksional. Dinyatakan menjadi nilai optimal dari variabel-variabel ganda yang
terkait dengan aturan pertama pada masalah diatas, VCG menggunakan kebijakan PLD dalam 12. Pendekatan ini diusulkan dalam Karaesmen dan Vanryzin 2004a. sama dengan VCE,
dicoba tiga pilihan yang berbeda untuk dan hasilnya dilaporkan sesuai dengan pilihan
terbaik. Digunakan versi reoptimis dari VCG dengan 20 reoptimasi.
Separable Penalty costs SPC strategi benchmark dikembangkan oleh Erdelyi dan
Topaloglu 2009 pengamatan dasar dibalik SPC adalah bahwa jika biaya akhir penundaan keberangkatan untuk pemesanan diberikan oleh fungsi terpisah dalam bentuk
, maka persamaan optimal dalam 5 akan dirubah oleh
biro perjalanan. Untuk mengeploitasi pengamatan ini, SPC melakukan pendekatan dalam masalah 1 – 4 dengan fungsi terpisah dari bentuk
dan memecahkan persamaan optimal dalam 5 dengan batas perkiraan kondisi bahwa
. Nilai fungsi bentuk ini diperoleh dengan cara
menggunakan susunan kebijakan untuk menerima atau menolak permintaan jadwal. SPC menggunakan metode simulasi berbasis susunan pendekatan terpisah
dengan biaya akhir. Secara kasar dilakukan simulasi kebijakan PLD dalam 12 yang memiliki gambaran umum tentang jumlah pemesanan yang muncul pada waktu
keberangkatan. Berikut ini, dihitung kemiringan dari pada angka-angka ini reservasi
disepanjang arah yang berbeda dan menggunakan kemiringan untuk membangun fungsi skalar
. Sebuah deskripsi yang tepat dari strategi benchmark diluar lingkup tulisan ini yang merujuk pada pembaca untuk Erdelyi dan Topaloglu 2009 dirincikan. Sama
dengan strategi benchmark lainnya, dilakukan langkah pendekatan terpisah secara horison dalam lima kali perencanaan. Ternyata penyusunan SPC lebih dari lima kali tidak
memberikan manfaat tambahan.
Universitas Sumatera Utara
3.3.3. Hasil Komputasi
