Tantangan saat ini adalah dengan pertumbuhan dataset yang semakin meningkat (lebih dari 106 ) yang diantaranya ada pada proses peng-klasteran analisis teks, simulasi DNA molekuler, seleksi fitur, dan peramalan, penanganan optimasi skala besar seperti simulasi kompleks, data mining, kimia kuantum, analisis spektroskopi, analisis geofisika, penemuan obat, serta studi genom. Algoritma memetika merupakan metode pencarian heuristic hasil penggabungan algoritma genetika dengan metode pencarian lokal yang dapat meningkatkan kualitas pencarian solusi. Fitur pencarian lokal pada algoritma memetika dapat diterapkan sebelum atau sesudah proses seleksi, crossover dan mutasi selain berguna juga untuk memperkecil ruang pencarian. Algoritma memetika memberikan solusi yang lebih baik dari algoritma genetika namun waktu komputasi lebih lama atau lebih lambat, berbagai algoritma optimasi yang diusulkan biasanya terkendala pada waktu penyelesaian yang lambat atau memori computer yang menjadi terbatas pada saat proses komputasi. Solusi untuk masalah tersebut adalah dengan mengembangkan prosedur algoritma heuristic, seperti algoritma memetika. Namun masalah baru muncul karena biasanya terkendala pada prasyarat komputasi yang tinggi sehingga dibutuhkan sistem komputasi berkinerja tinggi atau high performance computation (HPC).

high performace computation, algoritma memetika, dataset

• Prof. Spits Warnars Harco Leslie Hendric, S.Kom., M.T.I., Ph.D