RPS minggu 9 · 2x50 menit

Strategi Harga Dinamis (Dynamic Pricing) di E-Commerce

Penetapan Harga Berbasis Data

Pertemuan 9 · Mata Kuliah E-Commerce · Program Studi Manajemen, FEB UNDIP

Bagian I

Konsep Dasar Dynamic Pricing

Apa itu harga dinamis, mengapa e-commerce sangat cocok menerapkannya, dan jenis-jenis strateginya.

Apa itu Dynamic Pricing?

Definisi

Dynamic pricing (harga dinamis) adalah strategi penetapan harga yang menyesuaikan harga jual secara terus-menerus berdasarkan data permintaan, penawaran, waktu, kompetitor, dan perilaku konsumen — bukan harga tetap (fixed price) seperti label harga di toko fisik konvensional.

Berbeda dengan diskon musiman biasa, dynamic pricing bisa berubah dalam hitungan jam bahkan detik, digerakkan oleh algoritma dan data real-time.

Contoh Harian

3–15x

frekuensi perubahan harga produk populer di marketplace per hari

Harga sepatu olahraga yang sama bisa berbeda pagi dan malam hari, tergantung stok, jumlah pesaing yang menjual, dan tren pencarian.

Mengapa E-Commerce Ideal untuk Dynamic Pricing?

Biaya mengubah harga di toko daring disebut menu cost yang sangat rendah — inilah pembeda utama dibanding ritel fisik yang biaya ubah labelnya mahal dan lambat.

Jenis-Jenis Strategi Dynamic Pricing

Berbasis Waktu & Permintaan

Time-based pricing: harga berubah sesuai jam/hari (flash sale tengah malam).
Surge pricing: harga naik tajam saat permintaan melonjak (Gojek saat hujan).

Berbasis Segmen & Kompetitor

Segmented pricing: harga beda per kelompok konsumen (member vs non-member).
Competitive-based pricing: harga menyesuaikan harga pesaing secara otomatis.

Keempatnya sering dikombinasikan sekaligus — misalnya flash sale (time-based) yang harganya juga disesuaikan dengan harga kompetitor (competitive-based) di saat bersamaan.

Contoh Kasus Riil di Indonesia

Ride-Hailing

Gojek

Tarif GoRide/GoCar naik otomatis saat hujan atau jam pulang kantor — surge pricing berbasis rasio permintaan-penawaran real-time.

Travel

Traveloka

Harga tiket pesawat & hotel naik mendekati tanggal keberangkatan atau saat kursi/kamar tersisa sedikit — revenue management klasik.

Marketplace

Shopee/Tokopedia

Harga produk turun drastis saat flash sale jam 00.00 & 12.00, lalu kembali normal — kombinasi time-based & competitive-based.

Bagian II

Fondasi Data & Model Penetapan Harga

Elastisitas harga, sumber data, algoritma, hingga simulasi perhitungan revenue management.

Elastisitas Harga Permintaan

Elastisitas harga permintaan (price elasticity of demand) mengukur seberapa sensitif jumlah permintaan terhadap perubahan harga. Ini adalah dasar matematis dari semua keputusan dynamic pricing.

Ed = %ΔKuantitas ÷ %ΔHarga

Elastis (|Ed| > 1)

Permintaan sangat sensitif terhadap harga. Turunkan harga → revenue naik. Contoh: produk fashion umum, banyak substitusi.

Inelastis (|Ed| < 1)

Permintaan kurang sensitif terhadap harga. Naikkan harga → revenue naik. Contoh: obat resep, kebutuhan mendesak.

Hitung dari Nol #1: Elastisitas & Dampak Revenue

Kasus: toko sepatu daring menurunkan harga dari Rp200.000 menjadi Rp180.000 (turun 10%). Permintaan harian naik dari 100 menjadi 130 unit.

Langkah	Perhitungan	Nilai
1. Perubahan kuantitas (%ΔQ)	(130 − 100) ÷ 100 × 100%	+30%
2. Perubahan harga (%ΔP)	(180.000 − 200.000) ÷ 200.000 × 100%	−10%
3. Elastisitas harga (Ed)	30% ÷ (−10%)	−3,0 (elastis)
4. Revenue sebelum	Rp200.000 × 100 unit	Rp20.000.000
5. Revenue sesudah	Rp180.000 × 130 unit	Rp23.400.000
6. Kenaikan revenue	(23.400.000 − 20.000.000) ÷ 20.000.000 × 100%	+17%

Kesimpulan

+17%

kenaikan revenue harian setelah diskon 10% pada produk elastis (Ed = −3,0)

Mari kita telusuri tabel ini baris demi baris. Pertama kita hitung persentase perubahan kuantitas, yaitu kenaikan 30 unit dibagi basis awal 100 unit sama dengan 30 persen. Kedua, persentase perubahan harga, penurunan 20.000 rupiah dibagi harga awal 200.000 sama dengan minus 10 persen. Ketiga, kita bagi keduanya untuk mendapat elastisitas sebesar minus 3,0 — nilai mutlaknya lebih dari 1, artinya produk ini elastis dan sangat sensitif terhadap harga. Baris keempat dan kelima menghitung revenue riil sebelum dan sesudah diskon, dan baris terakhir menunjukkan kenaikan revenue sebesar 17 persen. Ini membuktikan secara matematis mengapa toko seperti yang dikelola UMKM di Shopee berani memberi diskon besar saat flash sale — karena pada produk elastis, harga turun justru membuat pendapatan total naik, bukan turun.

Coba Sendiri: Uji Elastisitas Harga Produk Anda

Ubah harga awal/akhir dan kuantitas terjual untuk melihat kapan penurunan harga menaikkan revenue, dan kapan justru menurunkannya.

Sumber Data untuk Dynamic Pricing

Data Internal

Riwayat penjualan & pola permintaan historis
Level inventori/stok real-time
Perilaku klik, pencarian, dan keranjang belanja
Segmentasi pelanggan (baru vs loyal)

Data Eksternal

Harga kompetitor (web-scraping/price tracker)
Musim, hari libur, cuaca, event nasional
Tren pencarian Google/media sosial
Kondisi makroekonomi (daya beli, inflasi)

Kualitas keputusan dynamic pricing bergantung penuh pada kualitas data — data kotor atau usang membuat algoritma salah menetapkan harga.

Rules-Based vs Machine Learning Pricing

Ada dua pendekatan teknis utama dalam mengotomasi dynamic pricing. Rules-based pricing memakai aturan eksplisit yang dirumuskan manusia, misalnya "jika stok tersisa di bawah 10 persen dari kapasitas awal, maka naikkan harga sebesar 15 persen" — mudah dipahami dan diaudit oleh manajemen, cocok untuk UMKM yang baru mulai. Machine learning pricing melangkah lebih jauh, model belajar sendiri dari ribuan bahkan jutaan data transaksi historis untuk menemukan pola harga optimal yang bahkan tidak terpikirkan manusia, seperti yang dipakai Traveloka atau Amazon secara global. Konsekuensinya, model machine learning sering disebut kotak hitam karena sulit dijelaskan secara sederhana mengapa ia memilih harga tertentu, dan butuh data yang jauh lebih besar untuk bekerja akurat. Bagi UMKM, rules-based biasanya sudah cukup sebagai titik awal sebelum berinvestasi ke solusi yang lebih canggih.

Hitung dari Nol #2: Simulasi Revenue Management Kapasitas Terbatas

Kasus: flash sale gadget dengan stok terbatas 50 unit. Bandingkan harga flat vs dynamic pricing bertahap.

Langkah	Perhitungan	Nilai
1. Revenue harga flat (tanpa dynamic)	45 unit × Rp1.400.000	Rp63.000.000
2. Revenue tier early-bird (dynamic)	30 unit × Rp1.200.000	Rp36.000.000
3. Revenue tier scarcity/akhir (dynamic)	20 unit × Rp1.600.000	Rp32.000.000
4. Total revenue dynamic pricing	36.000.000 + 32.000.000	Rp68.000.000
5. Selisih (uplift) vs flat	68.000.000 − 63.000.000	Rp5.000.000
6. Persentase uplift	5.000.000 ÷ 63.000.000 × 100%	+7,9%

Kesimpulan

+7,9%

kenaikan revenue & 50/50 unit terjual habis lewat dynamic pricing bertahap, dibanding harga flat yang hanya laku 45 unit

Skenario ini meniru cara Traveloka atau maskapai mengelola kursi terbatas, yang disebut revenue management. Baris pertama menunjukkan kondisi tanpa dynamic pricing, harga dipatok flat 1,4 juta rupiah dan hanya laku 45 unit dari 50 unit yang tersedia karena permintaan awal rendah dan momentum akhir tidak tertangkap harga yang tepat. Baris kedua dan ketiga menunjukkan pendekatan bertahap, 30 unit dijual murah di awal untuk mendorong volume dan membangun urgensi, sementara 20 unit sisa dijual lebih mahal menjelang penutupan karena kelangkaan stok membuat pembeli yang tersisa kurang sensitif terhadap harga. Setelah dijumlahkan pada baris keempat, totalnya 68 juta rupiah, lebih tinggi 5 juta rupiah atau hampir 8 persen dibanding skema flat, dan yang tak kalah penting, seluruh 50 unit stok terjual habis, bukan hanya 45. Inilah alasan mengapa flash sale sering dirancang bertingkat, bukan satu harga tunggal sepanjang acara.

Coba Sendiri: Rancang Pagar Harga untuk Stok Terbatas

Ubah jumlah unit tiap tier harga dan besaran harganya untuk melihat kombinasi mana yang memaksimalkan revenue dan menghabiskan stok.

A/B Testing untuk Pricing

A/B testing harga adalah eksperimen terkontrol: sebagian pengguna melihat harga A, sebagian lain melihat harga B, lalu hasil konversi dan revenue dibandingkan secara statistik sebelum harga baru diterapkan ke semua pengguna.

Langkah Umum

Tentukan hipotesis (mis. harga naik 5% tak turunkan konversi)
Bagi trafik acak ke grup A (kontrol) & B (uji)
Jalankan periode cukup panjang (hindari bias musiman)
Uji signifikansi statistik sebelum rollout penuh

Risiko: pengguna di grup berbeda bisa melihat harga berbeda untuk produk sama pada waktu bersamaan — berpotensi menimbulkan persepsi tidak adil bila ketahuan.

A/B testing adalah cara ilmiah untuk menguji perubahan harga sebelum diterapkan secara luas, mengurangi risiko salah tebak. Prosesnya mirip dengan eksperimen di laboratorium, kita bagi pengguna secara acak menjadi dua kelompok, satu tetap melihat harga lama sebagai kontrol, satu lagi melihat harga baru sebagai perlakuan, lalu kita bandingkan mana yang menghasilkan revenue dan tingkat konversi lebih baik. Platform seperti Bukalapak atau Traveloka rutin melakukan eksperimen semacam ini untuk menguji apakah kenaikan harga kecil akan menurunkan pembelian secara signifikan atau tidak. Namun perlu Anda catat risikonya, jika dua konsumen berbicara satu sama lain dan menyadari mereka melihat harga berbeda untuk barang identik pada waktu yang sama, hal ini bisa memicu ketidakpercayaan dan kemarahan publik terhadap platform, sehingga eksperimen semacam ini harus dijalankan dengan hati-hati dan terbatas waktunya.

Personalisasi Harga & Segmentasi Konsumen

Basis Segmentasi

Riwayat & frekuensi belanja (loyal vs baru)
Perangkat & lokasi geografis
Sensitivitas harga historis individu
Status keanggotaan (premium/gratis)

Contoh Penerapan

Voucher personal berbeda nominal per pengguna
Harga member ShopeePay/GoPay Plus lebih murah
Diskon "welcome back" untuk pengguna tidak aktif

Personalisasi harga meningkatkan konversi, namun bila berlebihan bisa disebut price discrimination (diskriminasi harga) yang berisiko etis — dibahas lebih lanjut di Bagian III.

Bagian III

Etika, Risiko & Implementasi

Bagaimana konsumen bereaksi, apa kata regulasi Indonesia, dan cara menerapkannya secara bertanggung jawab.

Risiko: Persepsi Diskriminasi & Backlash Konsumen

Kasus Terkenal (Global & Lokal)

Amazon (2000): harga DVD berbeda per pengguna — viral & ditarik
Uber: surge pricing saat darurat memicu kecaman publik
Keluhan konsumen Indonesia soal harga tiket yang "naik saat dicek berkali-kali"

Konsumen umumnya menerima harga naik karena stok terbatas atau permintaan tinggi, tetapi menolak keras bila merasa harga dibedakan hanya karena data pribadi mereka (mis. riwayat browsing, jenis perangkat).

Sejarah mencatat beberapa kasus dynamic pricing yang berujung krisis reputasi. Amazon pernah ketahuan menampilkan harga DVD berbeda untuk pengguna berbeda pada tahun 2000, dan begitu terungkap ke publik, perusahaan harus meminta maaf dan menghentikan praktik tersebut karena dianggap tidak adil. Uber juga berulang kali dikritik ketika tarif surge melonjak drastis saat kondisi darurat seperti bencana atau serangan teror, di mana masyarakat butuh transportasi mendesak namun harus membayar berkali lipat. Di Indonesia sendiri, keluhan serupa muncul dari konsumen yang merasa harga tiket pesawat "sengaja dinaikkan" karena mereka mengecek berulang kali — meski secara teknis ini seringkali karena stok kursi yang memang berkurang. Pelajaran pentingnya, konsumen relatif menerima kenaikan harga akibat kelangkaan objektif, tapi sangat sensitif dan mudah marah bila merasa harga dipermainkan berdasarkan data pribadi mereka.

Regulasi & Etika Dynamic Pricing di Indonesia

Ketiga kerangka ini bersinggungan langsung: harga tidak boleh menyesatkan (UU Konsumen), tidak boleh hasil kolusi harga antarplatform (UU Persaingan Usaha/KPPU), dan personalisasi harga tidak boleh memakai data pribadi tanpa persetujuan (UU PDP).

Sebagai calon praktisi bisnis di Indonesia, Anda perlu tahu tiga payung hukum yang relevan dengan dynamic pricing. Undang-Undang Perlindungan Konsumen Nomor 8 Tahun 1999 melarang informasi harga yang menyesatkan konsumen, sehingga harga yang berubah-ubah harus tetap transparan dan tidak menipu. Undang-Undang Nomor 5 Tahun 1999 tentang Larangan Praktik Monopoli mengawasi agar penyesuaian harga otomatis antarplatform tidak berubah menjadi kolusi harga terselubung yang diawasi oleh KPPU. Terakhir dan yang paling relevan dengan personalisasi harga, Undang-Undang Perlindungan Data Pribadi Nomor 27 Tahun 2022 mengharuskan setiap penggunaan data pribadi konsumen, termasuk untuk menentukan harga personal, mendapat persetujuan yang jelas dari pemiliknya. Bila Anda kelak mengelola bisnis daring, ketiga regulasi ini wajib menjadi rambu dalam merancang sistem penetapan harga otomatis.

Best Practice Implementasi bagi Platform & UMKM

Prinsip Transparansi

Jelaskan alasan harga naik (stok/waktu), bukan sembunyikan
Hindari personalisasi berbasis data sensitif tanpa consent
Batasi frekuensi & besaran perubahan harga wajar

Prinsip Operasional

Mulai dari rules-based sederhana sebelum ke ML
Uji A/B dalam skala kecil & periode terbatas
Monitor sentimen konsumen (ulasan, media sosial)

Setelah memahami risiko dan regulasinya, pertanyaan praktisnya adalah bagaimana menerapkan dynamic pricing secara bertanggung jawab. Prinsip pertama adalah transparansi, misalnya menjelaskan di aplikasi bahwa harga naik karena stok tersisa sedikit, bukan diam-diam menaikkan harga tanpa penjelasan apa pun. Prinsip kedua, batasi seberapa jauh personalisasi memakai data sensitif seperti riwayat kesehatan atau lokasi presisi tanpa persetujuan eksplisit pengguna. Bagi UMKM yang baru mulai berjualan di Shopee atau Tokopedia, sangat disarankan memulai dari aturan sederhana berbasis kondisi seperti stok atau waktu, sebelum berinvestasi pada sistem machine learning yang mahal dan kompleks. Terakhir, selalu pantau ulasan dan percakapan media sosial tentang harga produk Anda, karena sentimen negatif yang viral bisa merusak reputasi jauh lebih cepat daripada keuntungan jangka pendek yang didapat dari kenaikan harga.

Studi Kasus Terintegrasi: Marketplace Indonesia

Sebuah toko fesyen di Shopee menerapkan dynamic pricing menjelang kampanye 11.11: menaikkan harga bertahap H-7 seiring lonjakan wishlist, lalu memberi diskon curam saat jam puncak kampanye, dan kembali ke harga normal pasca-kampanye.

H-7 s.d. H-1

+5%

Harga naik bertahap seiring jumlah wishlist & kunjungan produk meningkat — sinyal permintaan menguat.

Jam Puncak 11.11

−30%

Diskon curam saat trafik tertinggi untuk memaksimalkan volume & posisi di algoritma pencarian platform.

Pasca-Kampanye

Normal

Harga kembali ke level dasar; data transaksi kampanye jadi input model untuk kampanye berikutnya.

Mari kita satukan semua konsep hari ini lewat satu contoh menyeluruh. Sebuah toko fesyen di Shopee memantau jumlah orang yang menambahkan produknya ke wishlist tujuh hari sebelum kampanye 11.11, dan setiap hari menaikkan harga sedikit karena sinyal permintaan terus menguat — ini murni data internal berupa perilaku pengguna. Begitu kampanye 11.11 tiba dan trafik memuncak tepat tengah malam, toko menurunkan harga secara curam untuk merebut volume penjualan sebanyak mungkin, sekaligus memperbaiki posisinya di algoritma pencarian Shopee yang menyukai produk dengan penjualan tinggi. Setelah kampanye usai, harga dikembalikan ke level normal, dan seluruh data transaksi selama periode itu disimpan untuk melatih model harga yang lebih baik pada kampanye berikutnya seperti 12.12. Contoh ini menunjukkan bagaimana elastisitas, sumber data, algoritma, dan pertimbangan etika semuanya bekerja bersama dalam satu siklus bisnis nyata.

Latihan & Diskusi Kelompok

Instruksi Tugas

Bentuk kelompok 4–5 orang, pilih satu produk/jasa daring yang biasa Anda beli (mis. tiket kereta, gadget, kos-kosan daring).
Identifikasi jenis dynamic pricing yang kemungkinan diterapkan (time-based, surge, segmented, atau competitive-based).
Hitung estimasi elastisitas sederhana bila Anda punya data harga & kuantitas dua periode (gunakan rumus Bagian II).
Diskusikan: pada titik mana strategi tersebut berisiko dianggap tidak etis oleh konsumen menurut kerangka Bagian III?
Siapkan presentasi singkat 5 menit untuk pertemuan berikutnya.

Tugas dikumpulkan dalam bentuk slide ringkas (maks. 5 halaman) melalui portal e-learning sebelum pertemuan 10 dimulai.

Sekarang giliran Anda mempraktikkan apa yang sudah kita pelajari hari ini. Bentuklah kelompok kecil dan pilih satu layanan digital yang benar-benar rutin Anda gunakan, misalnya aplikasi tiket kereta KAI Access atau platform kos-kosan daring seperti Mamikos, agar analisisnya terasa nyata bagi Anda. Cobalah amati atau ingat kembali pola perubahan harga yang pernah Anda lihat, lalu kelompokkan ke dalam salah satu dari empat jenis dynamic pricing yang sudah kita bahas. Jika kelompok Anda punya data harga dan estimasi jumlah pembeli pada dua waktu berbeda, silakan hitung elastisitasnya memakai rumus yang sama seperti latihan sepatu daring tadi. Terakhir, saya ingin Anda berdiskusi kritis, di titik mana strategi itu mulai terasa tidak adil bagi konsumen, karena kemampuan berpikir kritis semacam ini yang akan membedakan Anda sebagai manajer yang bijak di masa depan.