<![CDATA[Metode optimasi Algoritma Genetika dapat digunakan untuk mencari efisiensi dari permasalahan riil yang dapat di bawa ke permasalahan matematika. Metode optimasi ini terdiri dari penyelesaian fungsi dengan generate bilangan random awal yang kemudian dilakukan crossover dan mutasi. Penyelesaian algoritma ini menggunakan rate pada bilangan random dan rate crossover sehingga setiap elemen dari fungsi (individu) awal dapat dilakukan pindai silang sehingga dengan bervariatifnya permasalahan matematika seperti kuadrat, linear, geometri, dan lain-lain dapat diselesaikan. Banyak sekali alat atau bantuan perangkat lunak yang tersedia di zaman ini, namun pada penelitian ini dilakukan secara manual, artinya peneliti tidak menggunakan perangkat lunak yang ada sehingga hasil dari pindai silang (crossover) dan mutasi dapat diketahui dengan pasti. Hasil penelitian menunjukan bahwa, Perbedaan nilai rate mutasu dan rate crossover memiliki peranan besar dalam mempengaruhi penyelesaian optimalisasi Algoritma Genetika. Jika rate > 1, maka dapat menyebabkan banyaknya elemen individu awal yang hilang dan mengakibatkan solusi tidak ditemukan. Namun berbeda dengan besarnya populasi, semakin besar populasi dari fungsi yang dibangkitkan, semakin tinggi pula peluang Algoritma Genetika dalam menyelesaikan permasalahan.]]>
