Komputasi Modern

Komputasi

Komputasi merupakan cara untuk menemukan pemecahan masalah dari data input dengan menggunakan suatu algoritma. Hal ini disebut dengan teori komputasi, suatu sub-bidang dari ilmu komputer dan matematika. Selama ribuan tahun, perhitungan dan komputasi umumnya dilakukan dengan menggunakan pena dan kertas, atau kapur dan batu tulis, atau dikerjakan secara mental, kadang-kadang dengan bantuan suatu tabel. Namun sekarang, kebanyakan komputasi telah dilakukan dengan menggunakan komputer.

Secara umum iIlmu komputasi adalah bidang ilmu yang mempunyai perhatian pada penyusunan model matematika dan teknik penyelesaian numerik serta penggunaan komputer untuk menganalisis dan memecahkan masalah-masalah ilmu (sains). Dalam penggunaan praktis, biasanya berupa penerapan simulasi komputer atau berbagai bentuk komputasi lainnya untuk menyelesaikan masalah-masalah dalam berbagai bidang keilmuan, tetapi dalam perkembangannya digunakan juga untuk menemukan prinsip-prinsip baru yang mendasar dalam ilmu.

Bidang ini berbeda dengan ilmu komputer (computer science), yang mengkaji komputasi, komputer dan pemrosesan informasi. Bidang ini juga berbeda dengan teori dan percobaan sebagai bentuk tradisional dari ilmu dan kerja keilmuan. Dalam ilmu alam, pendekatan ilmu komputasi dapat memberikan berbagai pemahaman baru, melalui penerapan model-model matematika dalam program komputer berdasarkan landasan teori yang telah berkembang, untuk menyelesaikan masalah-masalah nyata dalam ilmu tersebut.

Komputasi Modern

Menurut sejarah sebagian besar komputer modern dimulai dengan Analytical Engine yang diusulkan oleh Charles Babbage mengikuti ide-ide matematika George Boole, matematikawan yang pertama kali menyatakan prinsip-prinsip logika yang melekat dalam komputer digital saat ini. Asisten Babbage dan kolaborator, Ada Lovelace, dikatakan telah memperkenalkan ide loop program dan subrutin dan kadang-kadang dianggap sebagai programmer pertama. Selain kalkulator mekanik, komputer benar-benar useable pertama dimulai dengan tabung vakum, dipercepat dengan penemuan transistor, yang kemudian menjadi tertanam dalam jumlah besar di sirkuit terpadu, akhirnya yang memungkinkan komputer pribadi yang relatif murah.

Komputer modern mengikuti ide-ide dari program yang tersimpan diungkapkan oleh John von Neumann pada tahun 1945. Pada dasarnya, program ini dibaca oleh komputer satu instruksi pada satu waktu, operasi dilakukan, dan komputer kemudian membaca dalam instruksi berikutnya, dan seterusnya. Baru-baru ini, komputer dan program telah dirancang yang memungkinkan beberapa program (dan komputer) untuk bekerja pada masalah yang sama pada saat yang sama secara paralel. Dengan munculnya Internet dan transmisi data bandwidth yang lebih tinggi, program dan data yang merupakan bagian dari keseluruhan proyek yang sama dapat didistribusikan melalui jaringan.

John Von Neumann, Sang Penggagas Komputasi Modern

John von Neumann (1903-1957) adalah ilmuan yang meletakkan dasar-dasar komputer modern. Dalam hidupnya yang singkat, Von Neumann telah menjadi ilmuwan besar abad 21. Von Neumann meningkatkan karya-karyanya dalam bidang matematika, teori kuantum, game theory, fisika nuklir, dan ilmu komputer. Beliau juga merupakan salah seorang ilmuwan yang sangat berpengaruh dalam pembuatan bom atom di Los Alamos pada Perang Dunia II lalu.

Von Neumann dilahirkan di Budapest, Hungaria pada 28 Desember 1903 dengan nama Neumann Janos. Dia adalah anak pertama dari pasangan Neumann Miksa dan Kann Margit. Di sana, nama keluarga diletakkan di depan nama asli. Sehingga dalam bahasa Inggris, nama orang tuanya menjadi Max Neumann. Pada saat Max Neumann memperoleh gelar, maka namanya berubah menjadi Von Neumann. Setelah bergelar doktor dalam ilmu hukum, dia menjadi pengacara untuk sebuah bank. Pada tahun 1903, Budapest terkenal sebagai tempat lahirnya para manusia genius dari bidang sains, penulis, seniman dan musisi.

Von Neumann juga belajar di Berlin dan Zurich dan mendapatkan diploma pada bidang teknik kimia pada tahun 1926. Pada tahun yang sama dia mendapatkan gelar doktor pada bidang matematika dari Universitas Budapest. Keahlian Von Neumann terletak pada bidang teori game yang melahirkan konsep seluler automata, teknologi bom atom, dan komputasi modern yang kemudian melahirkan komputer. Kegeniusannya dalam matematika telah terlihat semenjak kecil dengan mampu melakukan pembagian bilangan delapan digit (angka) di dalam kepalanya.

Setelah mengajar di Berlin dan Hamburg, Von Neumann pindah ke Amerika pada tahun 1930 dan bekerja di Universitas Princeton serta menjadi salah satu pendiri Institute for Advanced Studies. Dipicu ketertarikannya pada hidrodinamika dan kesulitan penyelesaian persamaan diferensial parsial nonlinier yang digunakan, Von Neumann kemudian beralih dalam bidang komputasi. Sebagai konsultan pada pengembangan ENIAC, dia merancang konsep arsitektur komputer yang masih dipakai sampai sekarang. Arsitektur Von Nuemann adalah komputer dengan program yang tersimpan (program dan data disimpan pada memori) dengan pengendali pusat, I/O, dan memori.

Sumber :

http://en.wikipedia.org/wiki/Scientific_computing

http://www.komputasi.lipi.go.id/utama.cgi?artikel&1209393042&5

http://searchwinit.techtarget.com/sDefinition/0,,sid1_gci211829,00.html

Belajar...Belajar...Mw uTs Ney

Hahay bentar lagi mw uts...wah kudu study hard ne...jgn sks(sistem kebut semalam...


Mulai hari ne aquw harus belajar...CmangaT yuwh DepOy...moga aja uts nanti dapat nilai yg buangus...wokeyyy....

Algoritma Genetika

Apakah Algoritma Genetika (Genetic Algorithm, GA)?

Algoritma Genetika pada dasarnya adalah program komputer yang mensimulasikan proses evolusi. Dalam hal ini populasi dari kromosom dihasilkan secara random dan memungkinkan untuk berkembang biak sesuai dengan hukum-hukum evolusi dengan harapan akan menghasilkan individu kromosom yang prima. Kromosom ini pada kenyataannya adalah kandidat penyelesaian dari masalah, sehingga bila kromosom yang baik berkembang, solusi yang baik terhadap masalah diharapkan akan dihasilkan.

Algoritma Genetika ini banyak dipakai pada aplikasi bisnis, teknik maupun pada bidang keilmuan. Algoritma ini dapat dipakai untuk mendapatkan solusi yang tepat untuk masalah optimal dari satu variabel atau multi variabel. Sebelum algoritma ini dijalankan, masalah apa yang ingin dioptimalkan itu harus dinyatakan dalam fungsi tujuan, yang dikenal dengan fungsi fitness. Jika nilai fitness semakin besar, maka sistem yang dihasilkan semakin baik. Walaupun pada awalnya semua nilai fitness kemungkinan sangat kecil (karena algoritma ini menghasilkannya secara random), sebagian akan lebih tinggi dari yang lain. Kromosom dengan nilai fitness yang tinggi ini akan memberikan probabilitas yang tinggi untuk bereproduksi pada generasi selanjutnya. Sehingga untuk setiap generasi pada proses evolusi, fungsi fitness yang mensimulasikan seleksi alam, akan menekan populasi kearah fitness yang meningkat.

Algoritma genetika sangat tepat digunakan untuk penyelesaian masalah optimasi yang kompleks dan sukar diselesaikan dengan menggunakan metode yang konvensional. Sebagaimana halnya proses evolusi di alam, suatu algoritma genetika yang sederhana umumnya terdiri dari tiga operator yaitu: operator reproduksi, operator crossover (persilangan) dan operator mutasi. Struktur umum dari suatu algoritma genetika dapat didefinisikan dengan langkah-langkah sebagai berikut:

1. Membangkitkan populasi awal, Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi itu sendiri terdiri dari sejumlah kromosom yang merepresentasikan solusi yang diinginkan.
2. Membentuk generasi baru, Dalam membentuk digunakan tiga operator yang telah disebut di atas yaitu operator reproduksi/seleksi, crossover dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru.
3. Evaluasi solusi, Proses ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan mengulangi langkah 2. Beberapa kriteria berhenti yang sering digunakan antara lain:

• Berhenti pada generasi tertentu.
• Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi tidak berubah.
• Berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi.

Kecepatan Komputasi

PERSAINGAN kecepatan komputasi akhirnya mencapai puncaknya ketika American Micro Device memperkenalkan prosesor terbarunya, Athlon64, dan menjadi sebuah fenomena tentang kekuatan prosesor dalam komputer PC yang kita gunakan. Pertanyaannya memang apakah kita membutuhkan prosesor jenis ini?

Prosesor American Micro Device (AMD) dengan 64 bit (bersamaan dengan Apple Computers yang juga memperkenalkan komputer terbarunya, G5) pada komputer desktop bisa jadi terlalu besar dan terlalu cepat untuk pengguna awam. Banyak isu yang perlu disimak untuk mengikuti kemajuan ini, salah satunya adalah sistem operasi (umumnya Windows) yang sekarang ada baru berjalan pada 32 bit.

Sebuah komputer dengan 64 bit sebenarnya tidak berarti akan bekerja dua kali lipat dibandingkan dengan komputer 32 bit. Bandingannya mungkin dengan sebuah kendaraan dengan mesin V8, kita tahu mampu untuk dipacu secepat mungkin. Pada sebuah komputer 64 bit, kecepatan tidak hanya ditentukan oleh kemampuan komputasi, tetapi juga perangkat lunak, perangkat tambahan (hard disk, VGA card, dan lainnya), bagaimana semua ini terkait satu sama lain.

Salah satu keuntungan dari sebuah prosesor 64 bit adalah jumlah informasi yang bisa diolah tanpa mengalami hambatan sama sekali. Selama ini kita mengenal komputer jenis mainframe dengan prosesor 64 bit untuk digunakan memproses data yang sangat masif, sedangkan komputer berkekuatan 32 bit memiliki hambatan matematis atas data yang bisa dikerjakan secara langsung, yaitu terbatasnya secara absolut memori yang bisa digunakan pada 4 GB.

Memori sebesar 4 GB sekarang ini memang dirasakan sudah cukup untuk menjalankan berbagai aplikasi, seperti game video, audio, dan mengedit video. Namun, bersamaan dengan makin canggih dan rumitnya berbagai aplikasi serta semakin murahnya memori, banyak yang ingin kita tambahkan pada komputer PC yang kita gunakan sekarang ini.

PADA komputer 64 bit, memori yang bisa digunakan pada komputer PC bisa mencapai 17 miliar GB. Persoalannya, untuk menggunakan teknologi 64 bit ini diperlukan beberapa aplikasi tambahan, supaya prosesor Athlon64 ini bisa bicara dengan antarmuka grafik dan hard disk.

Karena tidak tersedianya berbasis aplikasi dan sistem operasi yang bekerja pada 64 bit, pihak AMD memang menyediakan fitur backward compatible untuk bisa digunakan dengan aplikasi yang sekarang ada di pasaran sampai tersedianya aplikasi 64 bit. Kalau mau efisien, sekarang ini kemungkinan yang tersedia adalah menggunakan sistem operasi dan aplikasi Linux atau beberapa aplikasi Unix yang mendukung 64 bit.

Sekarang ini, komputer PC yang kita gunakan memang masih memadai untuk menjalankan berbagai kebutuhan komputasi sehari-hari. Tapi, lambat laun, kebutuhan ini pun akan mencapai batasnya dengan semakin berkembangnya kebutuhan komputasi, misalnya foto dan video digital.

Oleh karena, bagaimana pun komputasi 32 bit tidak bisa lagi dipercepat sehingga langkah logis selanjutnya memang menggunakan 64 bit. Para pengguna komputer Apple sekarang sudah bisa menikmati kemampuan 64 bit dengan sistem operasi dan aplikasi perangkat lunak yang mendukung. Menggunakan 64 bit pada komputer PC sekarang ibarat mengendarai mobil balap, tetapi pada persneling satu.

ERP (Enterprise Resource Planning)

Pengertian ERP

ERP adalah sebuah sistem informasi perusahaan yang dirancang untuk mengkoordinasikan semua sumber daya, informasi dan aktifitas yang diperlukan untuk proses bisnis lengkap. Sistem ERP didasarkan pada database pada umumnya dan rancangan perangkat lunak modular. ERP merupakan software yang mengintegrasikan semua departemen dan fungsi suatu perusahaan ke dalam satu system komputer yang dapat melayani semua kebutuhan perusahaan, baik dari departemen penjualan, HRD, produksi atau keuangan. Syarat terpenting dari sistem ERP adalah Integrasi. Integrasi yang dimaksud adalah menggabungkan berbagai kebutuhan pada satu software dalam satu logical database, sehingga memudahkan semua departemen berbagi informasi dan berkomunikasi.

Tujuan sistem ERP adalah untuk mengkoordinasikan bisnis organisasi secara keseluruhan. ERP merupakan software yang ada dalam organisasi/perusahaan untuk :

• Otomatisasi dan integrasi banyak proses bisnis
• Membagi database yang umum dan praktek bisnis melalui enterprise
• Menghasilkan informasi yang real-time
• Memungkinkan perpaduan proses transaksi dan kegiatan perencanaan

SOFTCOMPUTING

DEFINISI SOFTCOMPUTING

Softcomputing merupakan metode yang dapat mengolah data-data yang bersifat tidak pasti, impresisi dan dapat diimplementasikan dengan biaya yang murah (low-cost solution). Beberapa metode yang termasuk dalam kategori softcomputing misalnya fuzzy logic, artificial neural network, probabilistyc reasoning. Softcomputing bukanlah suatu metode yang berjalan sendiri dalam menyelesaikan masalah, melainkan lebih pada kerjasama serasi antara metode-metode di atas, sehingga segi positif tiap metode dapat berkontribusi secara aktif.

METODE-METODE SOFTCOMPUTING
Mengacu pada definisi yang diberikan oleh Zadeh, metode-metode dalam softcomputing dapat dikategorikan ke dalam tiga kategori besar:
- Fuzzy Logic (FL)
- Neural Network Theory (NN)
- Probabilistic Reasoning (PR)
Metode-metode ini sebenarnya bukanlah sesuatu yang baru diadakan setelah konsep softcomputing dirumuskan. Yang terjadi justru sebaliknya. Metode-metode Fuzzy Logic, Neural Network maupun Probabilistic Reasoning telah ada lebih dahulu. Fuzzy Logic telah berkembang sejak tahun 1965. Konsep-konsep dasar neural network telah digali sejak tahun 1940-an. Probabilistic Reasoning juga bukanlah hal yang baru sama sekali. Karena itu, Zadeh menyebut softcomputing sebagai reinkarnasi dari metode-metode di atas.
Lebih lanjut lagi, dalam konsep softcomputing, ketiga jenis metode ini ibarat pilar, saling mendukung dan bekerjasama dalam memecahkan suatu permasalahan. Keunggulan yang diperoleh dari kerjasama metode-metode itu lebih ditekankan daripada keunggulan individual salah satu daripadanya.
Kekurangan satu metode akan ditutup dengan kelebihan metode yang lain. Keunggulan satu metode disumbangkan, sehingga segi-segi positif dari metode yang ada tersebut dapat dimanfaatkan secara optimal.

Berikut diuraikan konsep dan gambaran mengenai masing-masing pilar dalam softcomputing.
a. Fuzzy Logic (FL)
Fuzzy merupakan representasi suatu pengetahuan yang dikonstruksikan dengan if-then rules. Karakteristik dari metode ini adalah :

• pemecahan masalah dilakukan dengan menjelaskan sistem bukan lewat angka-angka, melainkan secara linguistik, atau variable-variable yang mengandung ketakpastian/ketidaktegasan.
• Pemakaian if-then rules untuk menjelaskan kaitan antara satu variable dengan yang lain.
• Menjelaskan sistem memakai algoritma fuzzy

Berawal dari paper-paper Zadeh di tahun 1965 mengenai fuzzy-sets, ilmu ini berkembang pesat, dan mulai menemukan aplikasinya di bidang control pada tahun 1974. Pada saat itu, Mamdani memperkenalkan aplikasi fuzzy sebagai alat kontrol steam-engine. Hal ini merupakan momentum penting, sebagai awal bagi teknologi fuzzy untuk menemukan lading aplikasi di dunia industri.
Fuzzy memiliki kelebihan-kelebihan, diantaranya :

1. Dapat mengekspresikan konsep yang sulit untuk dirumuskan, seperti misalnya “suhu ruangan yang nyaman”
2. Pemakaian membership-function memungkinkan fuzzy untuk melakukan observasi obyektif terhadap nilai-nilai yang subyektif. Selanjutnya membership-function ini dapat dikombinasikan untuk membuat pengungkapan konsep yang lebih jelas.
3. Penerapan logika dalam pengambilan keputusan

Dewasa ini, fuzzy merupakan salah satu metode memiliki aplikasi luas di bidang kontrol. Hal ini disebabkan oleh :

1. kontrol memiliki potensi aplikasi yang sangat luas dan dibutuhkan di berbagai bidang
2. kuantitas suatu materi dalam system kontrol sangat jelas, dan dapat diekspresikan dengan istilah-istilah yang fuzzy seperti “besar”, “banyak”
3. aturan dalam kontrol mudah untuk didefinisikan memakai kata-kata. Misalnya “jika suhu dalam ruangan terlalu dingin, naikkan suhu penghangat”
4. perkembangan teori fuzzy sangat pesat, sehingga batas-batasnya dapat dirumuskan dengan jelas.

b. Neural Networks (NN)
Neural Networks (Jaringan Saraf Tiruan) menurut Haykin [4] didefinisikan sebagai berikut : “Sebuah neural network (JST: Jaringan Saraf Tiruan) adalah prosesor yang terdistribusi paralel, terbuat dari unit-unit yang sederhana, dan memiliki kemampuan untuk menyimpan pengetahuan yang diperoleh secara eksperimental dan siap pakai untuk berbagai tujuan. Neural network ini meniru otak manusia dari sudut :

1. Pengetahuan diperoleh oleh network dari lingkungan, melalui suatu proses pembelajaran.
2. Kekuatan koneksi antar unit yang disebut synaptic weights, berfungsi untuk menyimpan pengetahuan yang telah diperoleh oleh jaringan tersebut.”

Pada tahun 1943, Mc.Culloch dan Pitts memperkenalkan model matematika yang merupakan penyederhanaan dari struktur sel saraf yang sebenarnya (lihat gambar 1).

Gambar 1

Korelasi antara ketiga komponen ini dirumuskan pada persamaan gambar (1).
Signal x berupa vektor berdimensi n (x1 , x2 ,…,xn)T akan mengalami penguatan oleh synapse w (w1, w2 ,…,wn)T. Selanjutnya akumulasi dari penguatan tersebut akan mengalami transformasi oleh fungsi aktifasi f. Fungsi f ini akan memonitor, bila akumulasi penguatan signal itu telah melebihi batas tertentu, maka sel neuron yang semula berada dalam kondisi “0”, akan mengeluarkan signal “1”. Berdasarkan nilai output tersebut (=y), sebuah neuron dapat berada dalam dua status: “0” atau “1”. Neuron disebut dalam kondisi firing bila menghasilkan output bernilai “1”.

Gambar 2 memperlihatkan bahwa sebuah neuron memiliki tiga komponen:
- synapse (w1 , w2 ,…,wn) T
- alat penambah (adder)
- fungsi aktifasi (f)
Sebuah neural network dapat dianalisa dari dua sisi:

• bagaimana neuron-neuron tersebut dirangkaikan dalam suatu jaringan (arsitektur)
• bagaimana jaringan tersebut dilatih agar memberikan output sesuai dengan yang dikehendaki (algoritma pembelajaran). Algoritma pembelajaran ini menentukan cara bagaimana nilai penguatan yang optimal diperoleh secara otomatis.

Berdasarkan arsitekturnya, neural network dapat dikategorikan, antara lain, single-layer neural network, multilayer neural network, recurrent neural network dsb. Berbagai algoritma pembelajaran antara lain Hebb’s law, Delta rule, Backpropagation algorithm, Self Organizing Feature Map, dsb. Berawal dari diperkenalkannya model matematika neuron oleh McCulloch & Pitts, penelitian di bidang neural network berkembang cukup pesat, dan mencapai puncak keemasan pertama pada era tahun 60, dan puncak kedua pada pertengahan tahun 80-an. Penelitian dalam bidang ini, dapat dibagi dalam tiga kategori:
1. Riset untuk meneliti proses informasi yang terjadi pada otak dan jaringan saraf. Tema ini merupakan porsi penelitian para ahli medis dan neuroscientist.
2. Penelitian teoritis untuk mendalami konsep dasar proses informasi pada otak. Kategori ini memerlukan ketajaman analisa matematika untuk menggali dasar-dasar teori dari proses tersebut.
3. Penelitian yang bertujuan memanfaatkan teori-teori yang telah ada untuk aplikasi. Dalam hal ini, perlu sekali memperhatikan tingkat akurasi sistem, dan menekan biaya serendah mungkin (low cost solution).

Dewasa ini, neural network telah diaplikasikan di berbagai bidang. Hal ini dikarenakan neural network memiliki kelebihan-kelebihan sbb.

1. Dapat memecahkan problema non-linear yang umum dijumpai di aplikasi
2. Kemampuan memberikan jawaban terhadap pattern yang belum pernah dipelajari (generalization)
3. Dapat secara otomatis mempelajari data numerik yang diajarkan pada jaringan tersebut

c. Probabilistic Reasoning (PR) dan Genetic Algorithm (GA)
Reasoning berarti mengambil suatu keputusan atas suatu alasan atau sebab tertentu. Dua jenis reasoning adalah logical reasoning dan probabilistic reasoning. Salah satu kelebihan probabilistic reasoning dibandingkan logical reasoning terletak pada kemampuan untuk mengambil keputusan yang rasional, walaupun informasi yang diolah kurang lengkap atau mengandung unsur ketidakpastian. Termasuk dalam kategori PR antara lain teori Chaos, Belief Networks, Genetic Algorithm. Diskusi dalam makalah ini difokuskan pada salah satu metode dalam PR, yaitu Genetic Algorithm (GA).

Dasar-dasar GA digali oleh John Holland pada pertengahan tahun 70-an. GA adalah metode komputasi yang meniru proses evolusi dan seleksi alam. Metode ini sering dimanfaatkan untuk mencari nilai optimal suatu fungsi/permasalahan.
Gambar 3 menunjukkan urutan tahapan dalam GA. Untuk mencari nilai optimal tersebut, pertama-tama parameter-parameter permasalahan ditransfer kedalam bentuk genetik sebuah kromosom individu yang disebut genotype. Kromosom ini terdiri dari sederetan string (misalnya angka “0” dan “1”) yang merupakan analogi dari rantai DNA: A, T, G dan C yang sebenarnya, pada tubuh makhluk hidup. Selanjutnya suatu populasi yang terdiri dari ribuan kromosom individu ini mengalami proses seleksi, crossover (persilangan) dan mutasi yang meniru proses biologi yang terjadi di alam. Operasi ini diulang-ulang, dari satu generasi ke generasi berikutnya. Kualitas suatu individu ditunjukkan oleh nilai fitness, yang diukur dengan suatu kriteria yang mencerminkan sejauh mana kromosom individu tersebut mendekati nilai optimal yang diinginkan. Kriteria ini menjadi alat kontrol bagi proses evolusi, agar kondisi fitness generasi yang mendatang lebih baik daripada generasi-generasi sebelumnya. Setelah melewati ratusan atau mungkin ribuan generasi, proses evolusi ini akan menghasilkan individu-individu dengan nilai fitness yang tinggi. Hal ini mencerminkan diperolehnya jawaban yang merupakan pendekatan terhadap nilai optimal yang diinginkan.
Beberapa keunggulan yang dimiliki oleh GA adalah sbb :

1. GA memiliki kemampuan untuk mencari nilai optimal secara paralel, melalui proses kerjasama antara berbagai unit yang disebut kromosom individu.
2. GA tidak memerlukan perhitungan matematika yang rumit seperti differensial yang diperlukan oleh algoritma optimisasi yang lain.

Namun demikian GA memiliki juga kelemahan dan keterbatasan.

1. Tidak memiliki rumusan yang pasti, bagaimana mentransfer parameter permasalahan ke dalam kode genetik. Dengan kata lain, hal ini memerlukan pengalaman dan wawasan dari desainer.
2. Banyak parameter yang perlu diset secara baik agar proses evolusi dalam GA berjalan sesuai dengan yang diharapkan.
3. Penentuan rumus menghitung fitness merupakan hal yang sangat penting dan mempengaruhi proses evolusi pada GA. Sayangnya tidak ada prosedur yang baku bagaimana menentukan rumus tsb.

Dalam hal ini pengalaman dari desainer memegang peranan penting Terlepas dari kendala yang ada, GA merupakan alternatif solusi yang dikenal cukup handal dalam berbagai masalah optimisasi.