Aplikasi Pemodelan Matematika pada Masalah Pemesanan Iklan

Oleh:
1. Ozlem Cosgun, Departemen Teknik Industri, Universitas Fatih, Turkey
2. Ilkay Gultas, Al Bassam Group of Comapnis, Dammam, Kerajaan Saudi Arabia
3. Mehmet N.Serarslan, Departemen Teknik Industri, Universitas Teknik Istanbul, Turkey
www.ijocta.com (diakses pada tanggal 21 September 2013)
Abstrak
Stasiun televisi menyediakan program televisi gratis untuk publik. Meski demikian, mereka
memperoleh keuntungan dari penyiaran iklan diantara jeda sebuah program atau acara. Sebuah
masalah penting dihadapi oleh stasiun televisi di Turkey, bagaimana menerima dan menyiarkan
iklan yang telah dipesan oleh klien pada jeda iklan tertentu yang kemudian disebut
Advertisement Reservation Problem ARP (Masalah Pemesanan Iklan). Masalah ini menjadi
sulit karena terbatasnya waktu yang ada, dengan perbedaan rating poin untuk kelompok target
yang berbeda, menghindari persaingan antara stasiun TV dan klien. Pada studi ini, kami
membangun model matematika untuk masalah pemesanan iklan dan memperluas model ini
untuk kasus lain yang muncul di dunia bisnis. Kami juga membahas bagaimana kasus-kasus ini
mempengaruhi pengambilan keputusan di sebuah stasiun TV. Pendekatan Mixed integer linear
programming membantu memberikan solusi untuk masalah ini. Pendekatan ini
diimplementasikan pada kasus yang diambil dari salah satu stasiun TV terbesar di Turkey.
Kata kunci : Pemesanan iklan ; perencanaan media; mixed integer linear programming ;
manajemen keuangan; penjadwalan.
1. Pendahuluan
Stasiun TV menyediakan program TV gratis untuk public. Dari hal ini, mereka menarik
banyak pemirsa yang pasti menonton video komersial. Pengiklan menginginkan untuk
membel waktu tersebut, yang kemudian disebut jeda iklan yang diletakkan dalam sebuah
program TV, untuk meyakinkan pemirsa membeli atau menggunakan produk atau layanan
mereka.
Telah diketahui bahwa stasiun TV memperoleh keuntungan tambahan 95% dari
keuntungan penjualan waktu komersial dari jeda iklan yang dimasukkan pada sebuah
program. Penjualan waktu komersial dimuka dan scatter market menjadi praktek standar
dasar industri penyiaran US, tapi ini bukan hanya tentang bagaimana menjalankan bisnis di
seluruh dunia. Pasar dimuka biasanya muncul pada akhir Mei. Stasiun TV mengumumkan
jadwal program mereka untuk penyiaran tahun yang akan datang dan menerima penawaran
dari pemasang iklan dan atau agensi media mereka yang melayani permintaan khusus.
Stasiun TV dihaddapkan untuk membayar denda untuk permintaan yang belum terpenuhi
dari penawaran pemasang iklan yang sudah diterima. Masalah dari sebuah stasiun TV adalah
memutuskan berapa waktu yang harus dijual selama pasar dimuka dari total waktu yang

tersedia. Sisa persediaan setelah upfront market akan dijual selama musim penyiaran yang
disebut scatter market, dimana harga per unit waktu lebih tinggi dari upfront market dan
tidak ada denda yang harus dibayarkan.
Namun, di Turkey, Stasiun TV tidak mengumumkan jadwal program mereka selama
tahun penyiaran. Karena bisnis penyiaran televisi bersaing ketat, stasiun TV mengatur semua
proses dari minggu ke minggu dan antarmuka di jadwal program yang bebas. Mereka tidak
menandatangani kontrak jangka panjang dengan produser program dan mereka punya
kewenangan untuk membatalkan kontrak dengan produser yang programnya tidak terlalu
menarik bagi pemirsa. Sebuah stasiun TV bekerja berdasarkan permintaan pemasang iklan
atau dari agensi media mereka. Permintaan yang pemesanannya dibatalkan sebelum
dijadwalkan. Pemesanan yang diambil dari pemasang iklan termasuk panjangnya video
(biasanya dalam detik) dan menarik kelompok target. Karena banyak sekali pemesanan yang
diambil dari sebuah pertunjukan, pengambil keputusanStasiun TVharus memutuskan
pesanan yang mana yang dapat menguntungkan untuk penyiaran.
Sebagai tambahan, iklan TV mulai kehilangan market share di bisnis periklanan.
Berdasarkan laporan dari VERITAS Media 2008, pasar periklanan TV terus mengalami
penurunan baik di USA dan Eropa. Alasan yang mendasar dibalik ini adalah pertumbuhan
periklanan di internet dan ketidaktentuan penyampaian iklan (yaitu channel TV tidak dapat
memastikan berapa jumlah pemirsa mereka). World Advertising Research Center (WARC)
Badan Peneliti Periklanan telah memperkirakan bahwa jumlah iklan TV akan menurun
17,2% di UK dan paling tidak 5% di USA, Jepang, Australia, dan di Prancis, dan puncaknya
iklan internet akan merebut periklanan di TV pada tahun 2020. Selain itu, pemasang iklan
perlu membayar berdasarkan jumlah kelompok target yang menontonnya. Untuk
mengatasinya, memilih klien yang paling menguntungkan dan menempatkan order dari klien
di waktu yang optimal bisa menjadi penolong bagi sebuah stasiun TV.
Dalam penelitian ini kami mengembangkan sebuah model matematika untuk masalah
pemesanan iklan yang diperluas untuk beberapa kasus yang muncul dalam kenyataan dunia
bisnis. Kami juga mendiskusikan bagaimana kasus tersebut mempengaruhi pengambilan
keputusan di sebuah stasiun TV. Pada bagian ini, kami menyajikan bahasan singkat survey
dan bagian 3 menyajikan model matematika untuk masalah pemilihan dan analisis mendetail
dari masalah yang diberikan. Bagian 4 menjamin aplikasi dari metodologi kami di dalam
kasus nyata yang diambil dari sebuah salah satu stasiun TV terbesar di Turkey. Bagian 5
menunjukkan hasil dan Bagian 6 berisi kesimpulan dan garis besar dari penelitian ini.
2 . Tinjauan Pustaka
Masalah manajemen keuntungan media merupakan masalah yang sangat kompleks [1]. [1,2]
keduanya menyatakan bahwa engelolaan pembatasan iklan adalah salah satu hal penting dari
perusahaan media. Meski demikian perusahaan juga harus memperhitungkan harga dari
penempatan iklan.
Berdasarkan yang berlangsung di industri penyiaran us saat ini adalah mengambil
keputusan dengan baik seperti rencana segementasi dan rencana operasional atau rencana

scatter. [3,1]. Pembahasan sebelumnya pada pengelolaan pendapatan media yang telah
berfokus pada pengembangan model matematika untuk penjadwalan iklan dalam jeda iklan
dan menghasilkan rencana penjualan, berdasarkan ada model deterministic [1,4-6].
Pedoman pemasaran yang tidak fokus pada masalah perencanaan kapasitas durasi . Telah
diteliti dampak perilaku konsumen iklan TV dan penjualan [7-9].
Ada juga beberapa tulisan tentang perencanaan media yang membahas proses pemilihan waktu
dan ruang di berbagai media untuk periklanan. Salah satu dari isu-isu inti dalam pengalokasian
media, membagi informasi ke sarana media yang tepat dan dalam menentukan jumlah iklan
dalam setiap sarana, adalah bagaimana mengalokasikan anggaran media [10]. Studi optimasi
perencanaan media dimulai [11,12]. Day [13] dan Engel dan Warshaw [14] mengusulkan model
linear programming untuk pengalokasian media. Stasch [15] dan Brown dan Warshaw [16] juga
mengusulkan model linear programming untuk pemilihan media. Masalah semacam ditentukan
sebagai masalah pemrograman dinamis [17,18]. Aaker [19] dan Zufryden [20] menggolongkan
masalah semacam itu sebagai model probabilistik. Sebuah model modifikasi diferensial untuk
penyusunan anggaran media dan alokasi dibahas oleh Frutcher and Kalish [21]. Dampak dari
efek jeda diferensial pada alokasi anggaran iklan media [22] dipelajari oleh Mithois and Tsakiris
[23] menggunakan program bilangan bulat untuk menyelesaikan masalah alokasi iklan. Dalam
pembahsan mereka yang kombinasi terbaik yang mungkin adalah penempatan iklan yang
terinterogasi termasuk saluran, waktu, dan frekuensi dengan objektif dari rating tertinggi dimana
klien bisa memiliki anggaran yang terbatas dapat tetap memasang iklan.
Cetin dan Esen [24] telah meneliti masalah pengalokasian media dengan memberi contoh
yang bagus pada riset operasi model militer yang bisa diadaptasi ke aplikasi dunia bisnis modern
dimana dimodelkan masalah sebagai sebuah target senjata dan menyelesaikannya dengan
program bilangan bulat non linier. Di [25] mereka juga telah meneliti alokasi media mereka
mengaplikasikan waktu algoritma linier yang menemukan solusi untuk pewarnaan Berat
maksimum masalah untuk graf interval dengan berat interval untuk memecahkan masalah yang
melibatkan pemilihan yang slot acara siaran di saluran televisi yang berbeda dalam satu hari
sehingga dapat dicapai jumlah pemirsa yang maksimum.
Sudah ada sejumlah penelitian yang dikembangkan sebelumnya mengenai penjadwalan
menggunakan pengurutan data [26-28]. Pendekatan deret waktu trigonometri digunakan untuk
meramalkan keseluruhan penonton untuk waktu dan musim yang berbeda [26]. [27] Dalam dua
tahapan model dikembangkan penjadwalan program. Akhirnya [28] dikembangkan model
heuristik untuk penjadwalan di sebuah stasiun TV.
Terlepas dari kesempurnaan dan kerumitannya, manajemen keuangan media banyak yang
belum diteliti terutama dalam hal operasi. Bagian 10.5 dari [29] menyajikan penjelasan singkat
mengenai manajemen keuangan media.

Tulisan sebelumnya mengenai persediaan waktu dan manajemen keuangan terfokus pada
penjadwalan dimana mereka menggunakan model deterministik dan kombinatorik. Sebuah
pemrograman matematika yang dikembangkan dari algoritma berkembang cepat mengikuti
rencana penjualan yang optimal yang memenuhi persyaratan pemasang iklan telah
dikembangkan dimana rencana penjualan terdiri dari jadwal lengkap iklan yang akan
ditayangkan untuk pengiklan selama tahun penyiaran untuk memenuhi kebutuhannya.
Bollapragada and Garbiras [5] juga mengembangkan sebuah algoritma untuk pedjawalan siaran
ulang iklan dimana mereka membeli untuk memenuhi tujuan klien tertetu. Kedua penelitian
tersebut menggunakan aturan linear untuk menyelesaikan kendala. Dua langkah pendekatan
hirarki telah diberikan [1] dengan lebih dulu memilih pemasang iklan dan menetapkannya
dengan penentuan pemenang, dan kemudian menjadwalkan iklan komersial mereka ke slot
trsendiri dalam acara khusus yang disebut tugas pod. Kims dan Muller-Bungart [6]
megembangkan pendekatan integrasi. Kemudian dari kedua tulisan itu mereka mencoba untuk
menemukan kendala.
Bollapragada dan Malik [3] berfokus pada proses pemilihan dari jaringan tanpa resiko ,
dan mencoba untuk memperlihatkan bagaimana mereka harus mengalokasikan rating poin antara
hasil dari upfront dan scatter market. Di tulisan ini dibahas mengena ketidaktentuan dan
kebebasan pemirsa dan pendapatan scatter market, dan mereka mengembangkan model seluruh
permintaan dari setiap pasar. Pada model ini, variable keputusan adalah jumlah total dari rating
poin yang dijual saat upront market. Mereka tidak mempertimbangkan kapasitas alokasi
sebenarnya dan realisasi alokasi ini untuk seluruh klien dan dari waktu ke waktu.
Araman dan Popescu [30] mengembangkan model optimasi stokastik dari perencanaan
persediaan alokasi waktu siaran untuk beberapa klien berdasar ketidakpastian pemirsa. Mereka
merancang prosedur sederhana untuk menerima kontrak klien muka dan memperkirakan
kebutuhan persediaan mereka secara keseluruhan. Pekerjaan mereka juga melengkapi karya [3]
dengan menekankan pada alokasi kapasitas sebenarnya. Mereka membuktikan bahwa hal ini
dapat digunakan pada permintaan seluruh klien dan mereka menjelaskan bagaimana alokasi
peringkat keseluruhan dapat dipetakan ke dalam alokasi persediaan tiap klien. Selain itu, mereka
mempelajari kasus di mana penonton yang muncul secara berkala yang belum diteliti oleh
sebelumnya [3]. Karakteristik yang membedakan masalah manajemen media dikerjakan oleh
[30] dari literatur di atas adalah nilai pasti persediaan. Aspek ini membuat masalah mereka mirip
dengan model perencanaan produksi di bawah hasil acak, ketika ulasan disediakanaspek ini
membuat masalah mereka mirip dengan model perencanaan produksi di bawah hasil acak, ketika
ulasan dikemukakan [31,32]. Model statis mereka adalah setara dari model yang dihasilkan acak
diusulkan [33]. Model hasil pemrograman stokastik banyak digunakan dalam pembahasan hasil
random [34-37].
3. Definisi Masalah
Masalah utama yang dihadapi oleh jaringan TV di Turki adalah bagaimana menerima dan
menyiarkan iklan dipesan oleh klien pada jeda iklan tertentu yang kami sebut Advertisement

Reservation Problem (ARP). Oleh karena itu, masalah yang dibahas adalah bagaimana
jaringan TV di negara-negara seperti Turki harus memilih iklan untuk siaran dari satu set
reservasi untuk memaksimalkan pendapatan mereka.
Di Turkey, jaringan TV masih memiliki informasi yang terbatas dan pengetahuan tentang
operasi mereka sendiri. Kontribusi yang telah kami buat untuk solusi dari masalah mereka adalah
untuk membuat jaringan TV mengelola pendapatan mereka yang diperoleh dari iklan yang lebih
baik dan lebih efisien. Selain itu, jaringan TV akan menghemat waktu dan uang ketika mereka
menetapkan iklan ke slot iklan melalui model optimasi. Model ini akan mengurangi waktu yang
dibutuhkan untuk menetapkan iklan ke slot, dan menghilangkan kemungkinan kesalahan yang
disebabkan oleh pengguna janji. Jaringan TV juga akan melakukan upaya kilat tuntutan
pelanggan mereka tentang iklan mereka, dan cepat merevisi pemesanan pelanggan.
Pemilihan Prosedur iklan harus mempertimbangkan berbagai faktor, seperti panjang dari
video komersial, kelompok sasaran dari pengiklan, persediaan waktu yang tersedia per jeda
iklan, klien rival yang tidak ingin iklan mereka akan ditayangkan dalam jeda iklan yang sama,
dan hubungan antara jaringan TV dan pengiklan.
Jaringan TV memperkenalkan jadwal program mingguan mereka dan menarik pengiklan
dan media pembeli untuk membeli waktu siaran dalam jumlah besar untuk seluruh minggu.
Klien (pengiklan dan agensi media mereka) mengirim permintaan untuk ditayangkan pada jeda
iklan dari program tertentu. Artinya, mereka membuat pemesanan untuk jeda iklan tertentu.
Karena pengiklan ingin mencapai target jumlah pemirsa dengan kampanye iklan yang ada, dan
semua pengiklan menginginkan ini, yang banyak dari reservasi yang diambil untuk iklan istirahat
dari sebuah acara. Kendala lainnya adalah persediaan waktu yang terbatas. Waktu dapat
bervariasi sesuai dengan peraturan atau praktek oleh negara tapi ada ketetapan selang waktu
yang umum untuk setiap periode iklan, di Turkey 420 detik. Umumnya, total durasi pemesanan
diambil lebih panjang dari selang waktu yang datur, namun total panjang yang dipilih dari iklan
tersebut harus berada dalam interval, kurang dari batas atas dan lebih dari batas yang lebih
rendah.
Akhirnya, semua klien memiliki kelompok sasaran iklan yang harus dipertimbangkan. Selalu ada
kelompok sasaran tertentu yang klien ingin penuhi. Sebuah kelompok sasaran dapat didefinisikan
dengan berbagai cara, menurut pasar geografis, oleh kelompok tertentu demografi, seperti lakilaki antara usia 18 dan 49 atau perempuan antara usia 25 dan 54, atau bahkan oleh penggunaan
produk atau kepemilikan, seperti pengguna kamera digital, dll. Kelompok sasaran harus jelas
diatur dan diidentifikasi sesuai dengan kebutuhan klien dan penugasan harus dilakukan dengan
tepat karena klien umumnya lebih memilih untuk membayar harga sesuai jumlah orang yang
dapat dijangkau. Artinya, semakin banyak orang yang dapat dijangkau oleh siaran televisi
permintaan pada waktu tertentu, semakin banyak harga yang dapat mereka peroleh. Bahkan,
dalam kehidupan nyata ada alat media yang luas dikenal disebut biaya per titik rating (CPP) yang
dapat mengevaluasi harga yang harus dibayar klien untuk setiap titik penilaian terhadap
kelompok sasaran tertentu untuk pencapaian iklan mereka. Titik rating sama dengan satu persen

dari seluruh rumah tangga yang memiliki televisi. Di kebanyakan negara kinerja jaringan TV
diukur dengan menggunakan titik-titik rating.
Oleh karena itu, model kami dibentuk dengan mempertimbangkan semua kendala yang
dijelaskan secara rinci sebagai berikut.

4. Model
Advertisement Reservation Problem (ARP) adalah masalah pemilihan iklan dari satu set
pemesanan dengan kelompok sasaran tertentu yang bertujuan untuk dicapai oleh pemasang iklan.
i I
Tujuan utamanya untuk memaksimalkan pendapatan yang diharapkan. Klien
menginformasikan persyaratan untuk iklan

J seperti target pemirsa kelompok

g( g=1,2, , G) , rival klien, durasi iklan, dll. Dengan mempertimbangkan kendala-kendala

tersebut, order yang paling menguntungkan dan pemilihan iklan yang mana yang harus
diputuskan untuk memaksimalkan pendapatan.
Setiap klien

i menentukan grup target pemirsanya

R(i , j)

untuk setiap iklan

j dan

untuk mencapai semua kelompok sasaran di set ini harus dicakup dalam model. Selanjutnya,
urutan iklan siaran televisi penting karena yang pertama dan terakhir iklan diasumsikan memiliki
CPP lebih tinggi dari yang lain seperti biasa. Karena, tingkat penonton untuk iklan pertama akan
tinggi untuk jeda awal dan tingkat penonton untuk jeda akhir akan menjadi tinggi karena
program ditonton oleh pemirsa acara yang akan dimulai setelah itu. Oleh karena itu kami
memiliki tiga slot untuk siaran iklan. Iklan yang akan dipilih untuk disiarkan pada slot s 1 dan
s 3 memiliki CPP lebih tinggi dan sebagai hasilnya slot ini juga lebih mahal. Kami berasumsi
bahwa semua titik Peringkat CPPs untuk setiap slot s masalah ini diketahui deterministik dan
diharapkan poin rating E[ g] untuk kelompok audiens target g juga. Klien i juga harus
menentukan durasi setiap iklan

dilambangkan dengan

memiliki batas atas dari total waktu siaran televisi

TU

t ij

. Selain itu setiap jeda iklan

dan batas bawah

TL

. Berdasarkan

kendala tersebut, variabel keputusan kami (1) adalah iklan yang mana yang akan ditayangkan
sesuai dengan slot permintaan klien.

y ijs= 1, apabila iklan jdari klien i ditayangkan pada order s

0,lainnya

(1)

Pemrograman dan diselesaikan dengan menggunakan paket perangkat lunak GAMS. Total
pendapatan (TR) yang akan diperoleh dari iklan j klien i dihitung seperti dalam persamaan [2]
TRij =

E [ g ] . t ij . CPP s

gR (i , j)

[2]

Oleh karena itu, fungsi tujuan kami (3) bertujuan untuk memaksimalkan total pendapatan yang
diharapkan diperoleh dari iklan ditayangkan klien mempertimbangkan hubungan antara jaringan
TV dan klien. Kontribusi klien terhadap total pendapatan yang diharapkan, jika dipilih untuk
siaran, adalah jumlah yang diperoleh dari [2].
3

max z= yijs
i I

jJ s=1

gR (i , j)

E [ g ] .t ij . CPP s

Kendala yang disebutkan di atas dimodelkan sebagai berikut:

3

yijs . t ij T U
i I

jJ s=1

yijs . t ij T L
i I

jJ s=1

y ij 1=1
i I

j J

y ij 3=1
i I

j J

y ijs 1i , j
s=1

yijs 1
i I

jJ s=1

Kendala [4] dan [5] membatasi total durasi iklan ditayangkan dengan ketersediaan waktu
masing-masing maksimum dan minimum. Total durasi jeda iklan harus kurang dari batas atas

dan lebih dari batas yang lebih bawah. Kendala [6] dan [7] menunjukkan bahwa pada awal dan
akhir jeda iklan dialokasikan hanya satu iklan. Kendala (8) memastikan bahwa semua iklan yang
telah dipesan dari semua klien ditayangkan hanya sekali. Artinya, iklan yang sama tidak boleh
ditayangkan lebih dari sekali dalam satu jeda iklan. Akhirnya, kendala (9) menetapkan bahwa
iklan klien rivalnya tidak akan ditayangkan dalam jeda yang sama karena beberapa klien tidak
ingin iklan mereka ditayangkan dengan rivalnya. Ini adalah model dasar pemesanan untuk
jaringan TV tapi beberapa modifikasi dapat diterapkan pada model ini. Modifikasi tersebut
diterangkan dalam subbagian berikut.

4.1 ARP dengan kasus klien harus membayar harga pas (ARP-FP)
Klien, kadang-kadang, tidak ingin membayar per poin rating. Mereka lebih memilih untuk
membuat reservasi sebelumnya dengan harga yang telah ditentukan. Dalam kasus itu,
jaringan TV harus memperhitungkan jumlah keuntungan yang pasti. Akan ada parameter
tambahan untuk model modifikasi seperti yang tercantum di bawah ini:
P:Himpunan klien yang memesan dengan harga tertentu
Q: Himpunan iklan yang dipesan oleh klien dengan harga tertentu
Sekarang, fungsi tujuan modifikasi dari ARP-FP dapat dimodelkan seperti pada [10]
3

z=

y ijs (

i (I P) j (JQ) s=1

g R (i , j )

E [ g ] . t ij .CPP s + y ijs . FP ijs

i P j Q s=1

max

Dimana kendala lainnya akan sama dengan kendala pada kasus ARP. FPijs menunjukkan
harga pas pada slot s untuk klien i. Fubgsi objektif (10) bertujuan untuk memaksimalkan total
perolehan pendapatan yang diharapkan dari penayangan iklan klien. Kontribusi klien untuk

total pendapatan yan diharapkan, apabila iklan tersebut terpilih untuk ditayangkan, bisa jadi
pendapatan yang diperoleh dari harga yang logis yang akan dibayar oleh klien.
4.2 ARP-FP dengan Kasus yang Berhubungan (ARP-FPR)
Faktanya, tidak selalu stasiun TV yang menentukan sesuai dengan keuntungan tertinggi bahwa
yang dapat mereka peroleh dari klien mereka. Di beberapa negara seperti Turki, hubungan
memiliki pengaruh pada keputusan. Hubungan antara jaringan TV dan klien yang mempengaruhi
keputusan mungkin antarpribadi atau antarperusahaan . Bahkan, jaringan TV ingin menjaga
kliennya yang telah berhubungan baik dan memelihara hubungan tersebut untuk kedepannya.
Dalam hal ini, jaringan TV kadang tidak memperhatikan keuntungan kecil yang akan mereka
dapat, merek lebih mementingkan agar tidak kehilangan kliennya.

4.2.1. AFR-FPR dengan metode kendala-

Jaringan TV biasanya mempertimbangkan hubungan baik mereka dengan klien untuk
memberikan prioritas di operasi mereka. Mereka mendefinisikan hubungan ini dengan
i
0 i 1
koefisien
yang memenuhi
untuk setiap klien i yang disebut sebagai koefisien
prioritasDalam kenyataan, parameter ini dapat diberikan dengan memperhitungkan penjualan
kotor dilakukan dengan klien, kekuatan ekonomi klien atau hubungan individu antara jaringan
dan klien. Selain itu, mereka memiliki terlalu banyak klien penting dan mereka harus memilih
klien yang memiliki koefisien prioritas tertinggi untuk memaksimalkan pendapatan yang
diharapkan juga mereka. Ditunjukkan dengan kendala pada fngsi tujuan berikut (11).
3

z=

i (I P) j (JQ) s=1

y ijs

g R (i , j )

E [ g ] . t ij . i .CPP s + y ijs . i FP ijs

i P j Q s=1

max

Bagian pertama dari fungsi tujuan (11) mengasumsikan pendapatan yang diperoleh dari
iklan j (J Q) dari klien i (I P) dan dan pada bagian kedua mengasumsikan pendapatan

yang diperoleh dari iklan j Q klien i P ketika kendala baru yang ditambahkan ke kendala
lainnya model dasar:

yijs i L
i I

jJ

Dimana

dinotasikan sebagai level terendah dari jumlah koefisien prioritas

hubungan klien harus lebih besar dari level awal yang ditentukan. Kendala ini harus memenuhi
hubungan dengan klien yang dijaga dan memaksimalkan pendapatan.

5. Studi Kasus
Model yang diusulkan diimplementasikan ke salah satu jaringan TV terbesar Turki. Pada
awalnya, kita telah mendefinisikan satu masalah dengan staf jaringan. Sebagai implementasi
nyata dari model yang diusulkan, jeda iklan dari Program yang akan ditayangkan pada primetime yang ditentukan. Namun Jaringan TV di Turki tidak ingin berbagi data riil mereka dengan
pihak ke-3 sehingga kita tidak memiliki lebih banyak data untuk menguji.
Untuk mendapatkan peringkat perkiraan untuk semua kelompok sasaran , penonton yang
diperkirakan menonton iklan dimodelkan sebagai ex - ante variable acak dengan mean dam
standar deviasi . Kemudian , kami telah mengambil nilai yang diharapkan dari peringkat untuk
semua kelompok sasaran yang telah diketahui deterministik pada kasus ini. Kami asumsikan ada
21 klien . Beberapa dari mereka hanya memiliki satu iklan yang akan ditayangkan dan beberapa
dari mereka memiliki lebih dari satu iklan . Durasi iklan dari klien diberikan pada Tabel 1 . i
merupakan klien dan j merupakan. Tabel 2 memberikan kelompok sasaran tertentu yang akan
dicapai. Ada 92 kelompok sasaran yang berbeda di Pasar Penyiaran Turkey dan ratting penyiaran
dari semua kelompok target yang diharapkan dapat diraih saat jeda iklan tertentu. Contohnya,
Klien 2 ingin mencapai kelompok 25 tahun untuk iklan 1. target ini menunjukkan kelompok suai
th
lebih dari 20 tahun dan diharapkan rating poinnya adalah E [ 25 target grup ] =1059 . Lebih
lanjut, klien 18 ingin mencapai target usia 63 yang tinggal di Region Black Sea dan rating poin
yang diharapkan adalah E [ . ] =0,979 .
Tabel 1. Durasi Iklan dari Klien
i
1
2
3
4
5
6
7
8
9

j
1
30
20
20
20
20
25
20
5
5

2
20
15
10
5
-

3
20
10
10
-

4
20
-

10
11
12
13
14
15
16
17
18
19
20
21

30
12
16
20
10
48
16
20
30
21
22
15

15
32
10
10
10
10
-

15
8
10
10
10
-

32
-

Tabel 2. Target Kelompok Pemirsa yang diminta Klien

i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

j
1
48
25
23
22
22
25
20
7
8
37
12
16
20
10
48
17
20
63
23
22
13

2
30
15
17
17
15
31
30
18
77
18
-

3
21
30
51
9
8
30
15
77
-

4
22
34
-

Biaya per poin rating (CPP) di mana iklan dari klien ditayangkan di urutan s yang telah diketahui
deterministik dan sama untuk semua klien dan iklan. Mereka hanya berbeda pada urutan slot.
Harga CPP pertama $11,kedua $5 dan ketiga $ 0,5. Selain itu, batas atas dan bawah
dari total waktu siaran televisi untuk jeda iklan ditetapkan 425 dan 420 detik. Akhirnya, Client 4

dan 12 Client adalah pesaing dan mereka tidak ingin iklan mereka untuk menjadi
ditayangkan dalam iklan jeda yang sama, dan Jaringan TV tidak memperhitungkan hubungan
dengan klien tersebut untuk memenuhi kendala. Kami menggunakan software GAMS untuk
menemukan solusi optimal yang diusulkan model.
5.1 Hasil Komputasi untuk ARP Model
Masalah diselesaikan terlebih dahulu untuk dasar model reservasi ARP. Tabel 3 memberikan
penugasan iklan ke slot. Total pendapatan yang diperoleh dari tugas ini adalah 2336.794
USD. Total durasi jeda iklan setelah tugas ini adalah 424 detik. (i,j) menunjukkan j iklan dari
klien I dan s menunjukkan jumlah slot. Sebagai hasilnya, iklan dari klien 3, 4, 16, dan 19
tidak dipilih untuk ditayangkan di semua waktu. Selain itu, iklan dari Klien 4 dan Klien 12
tidak ditugaskan pada jeda iklan yang sama.
Tabel 3. Penugasan Iklan ke Slot
i,j
1,1
2,1
5,1
6,1
7,1
7,2
7,3
8,1
8,3
9,1
10,1
10,2
11,1
12,2
13,1
14,1
15,1
17,1
18,1
18,2
18,3
20,1

s
2

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

5.2 Hasil Komputasi untuk ARP-FP Model

Klien 4 dan Klien 6 lebih suka untuk membuat pemesanan dengan harga tetap. Dalam hal ini,
jaringan TV harus memperhitungkan jumlah pendapatan yag diharapkan dari CPP. Tabel 4
memberikan harga tetap yang ditawarkan ke Klien 4 dan Klien untuk jaringan TV membuat
iklan dan $190 untuk 3 slot.

i,j
4,1
42,
4,3
6,1

s
2
170
90
140
100

1
200
140
180
250

3
190
100
150
200

Tabel 5 memberikan penugasan iklan ke slot. Misalnya, iklan pertama dai klien 1 ditugaskan
pada slot kedua dan iklan pertama dari klien 15 ditugaskan pada slot pertama. Total pendapatan
yang dicapai dari penugasan ini adalah 2.387.519 USD. Total durasi dari jeda iklan setelah
penugasan ini menurun menjadi 422 detik tetapi pendapatan meningkat.
Tabel 5. Penugasan Iklan ke Slot
(i,j)
1,1
2,1
4,1
5,1
6,1
7,1
7,3
7,4
8,1
8,3
10,1
10,2
11,1
13,1
14,1
15,1
17,1
18,1
18,2
18,3
20,1
21,1

s
2
1
1
1
1
1
1
1
1
1
1

1
1
1
1
1
1
1
1
1
1
1
1

Iklan-iklan dari klien 3, 9, 12, 16 dan 19 tidak dipilih untuk ditayangkan di semua waktu.
Tapi, salah satu iklan dari Klien 4 ditugaskan untuk jeda iklan. Hal ini untuk mencegah Klien 12
ditugaskan pada jeda iklan.
Ketika kita membandingkan penugasan ARP dengan ARP - FP , efek dari klien yang
menawarkan harga tetap untuk membuat iklan mereka ditayangkan dalam jeda iklan terjadi. Jika
kontribusi iklan dengan fungsi tujuan lebih tinggi dari kontribusi satu atau lebih iklan ditugaskan
untuk jeda iklan sebelumnya, iklan baru akan mengambil tempat ini dari iklan yang lebih dulu
ada . Tanpa membatasi, hal ini berlaku umum , semua kendala lainnya memenuhi penugasan
baru setelahnya . Sebuah iklan dari Klien 4 dan beberapa iklan baru ditugaskan setelah klien
memberikan harga tetap , di mana beberapa iklan klien lain diambil dari penugasan ini.
Kontribusi dari iklan dari klien diberikan pada Tabel 6 .
Dengan kontribusi tersebut , 4,1 dan 21,1 ditugaskan untuk jeda iklan dimana 9,1 dan
12,2 dibawa keluar dari tugas . Kontribusi iklan pertama Klien 6 juga telah mengalami
perubahan karena berbeda strategi .
Perbedaan antara dua kelompok , ARP dan ARP - FP ,([170+100+27825][15475+180+51625]) adalah $50725. Hal ini sama dengan perbedaan dua nilai objektif
(&2387,519-$2336,794
5.3 . Hasil komputasi untuk ARP FPR
Tabel 7 merepresentasikan hubungan parameter untuk hubungan semua klien . Klien 3, 4,
15 dan 16 memiliki lebih dari 90 % koefisien prioritas dan kemudian klien 20 dan 21 mengikuti.
Dalam hal ini , batas bawah dari jumlah hubungan adalah 10 . Optimal penugasan dari slot iklan
stiap klien ditunjukkan pada Tabel 8. Total pendapatan yang dicapai akan berjumlah $2124,979.
Penting untuk diketahui bahwa perbedaan penugasan antara dua kasus, misalnya ARP-FP dan
ARP-FPR. Iklan 4.1 , 6.1 , 7.1 , 7.4 , 18.2 , 18.3 adalah iklan yang diambil dari tugas . Hal ini
juga harus diketahui bahwa parameter hubungan klien bukan satu-satunya hal yang terpenting.
Sebagai contoh, meskipun koefisien prioritas Klien 4 ( 0,98 ) lebih tinggi dari tingkat prioritas
Klien 12 ( 0,79 ) , iklan dari Klien 12 lebih dipilih untuk ditayangkan.
Terlebih lagi, iklan dari klien seperti 16.1 ditugaskan untuk jeda iklan untuk pertama kalinya
dimana ia memiliki kontribusi yang sangat rendah dengan fungsi tujuan yang hanya $ 51,04, tapi
memiliki parameter hubungan yang tertinggi yaitu 0.99.
Tabel 6. Kontribusi Iklan untuk Fungsi Objektif
(i,j)
Kontribusi ($)
4.1 (ARP-FP)
170
6.1 (ARP)
51.625
6.1 (ARP-FP)
100
9.1 (ARP)
15.475

12.2 (ARP)
21.1 (ARP-FP)

180
27.825

Tabel 7. Parameter Hubungan dari Semua Klien

Client
i

i( ) 7

10

11

12

13

14

15

16

17

18

19

20

21

72

92

98

31

11

58

46

11

61

55

79

27

69

94

99

31

57

82

87

Tabel 8. Penugasan Slot Iklan

(i,j)
1.1
2.1
3.1
5.1
7.2
7.3
8.1
8.3
9.1
10.1
10.2
11.1
12.2
13.1
14.1
15.1
16.1
17.1
18.1
19.1
20.1
21.1

s
2

3
1

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

6. Kesimpulan dan Saran

Masalah utama yang dihadapi dengan jaringan TV di Turki ini adalah bagaimana menerima
dan menyiarkan iklan yang telah dipesan oleh klien pada jeda tertentu yang kemudian disebut
Advertisement Reservation Problem adalah dipertimbangkan dalam makalah ini. Tapi,
masalahnya adalah banyak faktor yang mempersulit seperti waktu persediaan yang terbatas,
rating poin yang berbeda untuk berbagai kelompok sasaran dan hubungan antara jaringan TV

dan klien . Banyak kasus yang dikembangkan untuk memperhitungkan semua faktor ini
dan untuk memecahkan masalah ini , pendekatan pemrograman bilangan bulat dengan
metode pecahan campuran diusulkan untuk memecahkan masalah . Pendekatan ini telah
diterapkan pada kasus yang diambil dari salah satu TV terbesar jaringan Turki . Karena fakta
bahwa jaringan TV di Turki tidak berkenan membagi data riil mereka dengan pihak ketiga,
membuat kita tidak bisa memiliki kapasitas untuk menunjukkan efektivitas dan penerapan
model. Namun, kami memiliki contoh yang berhasil diterapkan di seluruh dunia terutama
Amerika Serikat, bahwa jenis optimasi model menghemat biaya.
Dengan menggunakan hasil yang diperoleh dari model , Jaringan TV akan memiliki
pengetahuan yang mendalam tentang bagaimana mengelola operasi mereka . Model ini
memberikan kesimpulan untuk lebih baik menggunakan iklan persediaan, dan mengurangi
waktu yang dibutuhkan untuk menghasilkan tugas iklan dan waktu yang dibutuhkan untuk
pengerjaan ulang dari rencana yang telah dibuat. Bagaimana jaringan televisi merespon lebih
cepat klien yang memungkinkan mereka untuk memperkuat posisi mereka diantara jaringan
TV yang lain . Meskipun jaringan TV melakukan analisis ini sekitar satu jam untuk masalah
21 klien, 4 iklan dan 3 slot , dibutuhkan sekitar 1 menit di Gams Model yang kami
kembangkan . Ketika masalah ditingkatkan kerumitannya, waktu komputasinya meningkat
secara eksponensial tetapi kita menghabiskan waktu yan hamper sama dengan penyelesaian
kasus sebelumya.
Hasil yang diperoleh dari model yang digunakan pada poin masalah ini sampai efek dari
hubungan antara Jaringan TV dan klien mereka . Jelas , banyak negara yang memiliki jenisjenis khusus lingkungan bisnis, professional manajemen pendapatan yang mempengaruhi
keputusannya. Untuk penggunaan teknik manajemen pendapatan yang lebih baik
take relations into consider. To
better use revenue management techniques and to
negative the relations in parties, new business
mechanisms can be designed for advertisement
reservation problems which will compromise
arrival of the parties.
All the same, advertisement reservation
problem is formulated from the networks point
of view and it can be reformulated from the
clients point of view or an integrated approach.
Furthermore, the problem has been modeled for
one ad break only. Two or more advertising
breaks case will have different strategies and it
should give different assignments. Finally, since
the audience ratings are not deterministic, the
problem can be modeled using stochastic
programming where uncertainty of audience
7. levels will be included in such a model.