Metode pruning tradisional seperti Reduced Error Pruning (REP) dan Cost-Complexity Pruning (CCP) biasanya dilakukan setelah pelatihan selesai (post-pruning). Meskipun efektif, metode ini membutuhkan data tambahan untuk validasi dan waktu komputasi yang lebih lama.
Kesenjangan Penelitian
Penelitian sebelumnya jarang mengeksplorasi metode pruning yang diterapkan selama pelatihan (pre-pruning). Mekanisme ini memiliki potensi untuk meningkatkan efisiensi tanpa memengaruhi akurasi model.
2.2 Metodologi
1. Mekanisme Pruning Dinamis
DPM diterapkan selama proses pelatihan pohon keputusan. Mekanisme ini melibatkan:
Perhitungan Entropi:
Setiap node dihitung nilai entropinya:
Entropy(S)=i=1nPilog2PiEntropy(S) = -\sum_{i=1}^n P_i \log_2 P_iEntropy(S)=i=1nPilog2Pi
Node dengan nilai entropi di bawah ambang batas akan dipangkas.
Penyesuaian Ambang Dinamis:
Saat model salah mengklasifikasikan data, ambang entropi diperbarui secara otomatis berdasarkan umpan balik real-time.
Pruning Selama Pelatihan:
Pohon secara iteratif diperiksa untuk memastikan pruning tidak mengurangi akurasi model.
