sehingga waktu yang dibutuhkan untuk mencari solusi hanya bergantung dari jumlah kromosom dalam populasi dan jumlah generasi yang dijalankan.
Pada algoritma genetika, evaluasi nilai fungsi fitness menghabiskan waktu lebih lama deibandingkan dengan operasi-operasi lainnya dalam algoritma genetika seperti: crossover,
mutation, dan selection. Semakin besar jumlah populasi atau semakin panjang kromosom yang harus dikodekan dan dievaluasi, maka waktu yang dibutuhkan untuk mengeksekusi algoritma
genetika akan didominasi oleh banyaknya jumlah pengkodean dan evaluasi nilai fitness, bukan oleh operasi-operasi algoritma genetika lainnya. Oleh sebab itu, ketika waktu yang dibutuhkan
untuk mengevaluasi nilai fitness dari sebuah kromosm diketahui, maka waktu pencarian solusi dapat diprediksi berdasarkan waktu untuk mengevaluasi nilai fitness dikalikan dengan jumlah
kromosom dalam sebuah generasi dikalikan dengan jumlah generasi.
c. Fleksibilitas
Algoritma genetika memiliki fleksibilitas yang tinggi. Satu-satunya hal yang mengikat algoritma genetika terhadap proses penyelesaian suatu masalah adalah bagaimana cara algoritma
genetika mengkodekan dan mengevaluasi nilai fitness suatu masalah. Sehingga ketika pengguna ingin mengubah masalah yang dioptimasi menggunakan algoritma genetika, programer cukup
mengubah algoritma genetika dalam mengkodekan decoder dan mengevaluasi kromosom fitness function. Hal ini menyebabkan algoritma genetika dapat denga mudah dimodifikasi untuk
menyelesaikan masalah yang berbeda dan mudah beradaptasi terhadap suatu masalah yang kondisinya berubah.
d. Penyesuaian terhadap perubahan skala.
Algoritma genetik dapat dengan mudah beradaptasi terhadap perubahan skala. Contohnya, dengan mengatur panjang kromosom menjadi 30 dibandingkan 20, maka algoritma
genetika dapat mengembangkan masalah pemilihan variabel dimana algoritma genetika dapat memeriksa 30 variabel dalam satu waktu. Dengan cara ini, perubahan skala dapat dilakukan
dengan baik. Namun demikian, perubahan skala dalam algoritma genetika memiliki kendala. Semakin
panjang kromosom, maka akan semakin sulit bagi algoritma genetika dalam mengeksplorasi ruang pencarian. Bertambahnya panjang kromosom menuntut ukuran populasi yang lebih besar seiring
dengan banyaknya kombinasi gen yang potensial. Semakin besar ukuran populasi dan semakin panjang kromosom menyebabkan semakin bertambahnya waktu yang diperlukan untuk
mengkodekan dan mengevaluasi nilai fitness, sehingga waktu yang dibutuhkan untuk mengeksekusi algoritma genetika menjadi lebih lama. Akibatnya, algoritma genetika akan
membutuhkan koputer yang berkecepatan tinggi dengan memori yang cukup besar untuk mengeksekusi masalah tersebut. Bahkan dalam kasus tertentu dibutuhkan sejumlah komputer yang
dipararelkan untuk mempercepat algoritma genetika dalam mengeksekusi sejumlah besar perhitungan atau melakukan perhitungan yang berbasis database secara intensif.
e. Kecepatan merespon
Kecepatan merespon algoritma genetik cukup tinggi tergantung kepada kompleksitas masalah. Semakin kompleks masalah, maka semakin panjang kromosom yang dikodekan dan
semakin besar pula ukuran populasi. Hal ini menentuka lamanya waktu yang dibutuhkan oleh algoritma genetika dalam mengeksekusi suatu masalah.
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.
