Penyesuaian terhadap perubahan skala.

f. Kesesuaian

Dari sudut pandang algoritma, algoritma genetika bukanlah suatu hal yang sangat kompleks. Justru yang membuatnya hebat adalah karena kesedehanaannya. Faktanya, program algoritma genetika umumnya memiliki ukuran yang tidak terlalu besar karena ukurannya tergantung pada banyaknya kode yang ditulis dalam program tersebut. Hal ini menjadikan algoritma genetika sebuah program optimasi yang sangat kompak dibandingkan dengan, misalnya, sistem pakar.

g. Kemampuan untuk digabungkan dengan sistem lain.

Karena algoritma genetika relatif sederhana, maka umumnya algoritma genetika dapat disisipkan sebagai sebuah modul dalam sistem lainnya. Hal ini tergantung kepada apa yang dilakukan fungsi fitness dalam mengakses database atau program lain. Pada umumnya, algoritma genetika cukup nyaman ketika eksekusinya tidak membutuhkan pencarian yang luas di dalam database. Namun untuk beberapa aplikasi algoritma genetika, fungsi fitness perlu untuk mengakses dan memproses data-data organisasi. Untuk tipe aplikasi ini, kualitas dan kuantitas data meruoakan hal yang penting.

h. Kecepatan pengembangan

Algoritma genetika memiliki algoritma yang terbuka sehingga mudah dipelajari dan dimodifikasi. Seorang programer handal dapat mengembangkan rancangan percobaan algoritma genetika dalam beberapa hari, karena pada dasarnya usaha yang dilakukan adalah memahami masalah, membuat formulasi yang diperlukan untuk menyelesaikan masalah, dan menentukan fungsi fitness yang baik.

i. Akses terhadap pakar

Algoritma genetika memungkinkan pengguna memakai program tersebut untuk mneyelesaikan suatu masalah meskipun pengguna tersebut tidak mngetahui bagaimana cara menyelesaikan masalah tersebut. Hal ini dapat terjadi karena yang harus dilakukan pengguna hanyalah mendeskripsikan solusi yang baik dan menyediakan sebuah fungsi fitness yang dapat menilai kromosom yang diberikan. Kebutuhan akses terhadap pakar untuk meminta pendapat mereka menjadi lebih rendah, karena pengguna algoritma genetika tidak perlu memiliki banyak pengetahuan mengenai “bagaimana” cara menemukan jawaban dari sebuah masalah. Yang perlu diketahui oleh algoritma genetika hanyalah bagaimana cara untuk mengukur “kebaikan” suatu solusi melalui fungsi fitness- nya.

D. Batang Kelapa Sawit

Salah satu sumber biomassa yang pemanfaatannya masih terbatas dan tersedia dalam jumlah yang melimpah, yaitu biomasa kelapa sawit elaeis guineensis Jacq. Indonesia merupakan negara yang memliliki potensi kelapa sawit terbesar di dunia setelah Malaysia, baik milik pemerintah, swasta maupun rakyat. Perkebunan kelapa sawit pertama kali dikembangkan secara massal di Sumatera Utara dan Lampung sejak tahun 1970. Sekarang ini kelapa sawit telah menyebar di hampir seluruh nusantara balfas, 2003.