Robust Isolation Forest

Robust Isolation Forest memperluas detektor anomali Isolation Forest klasik dengan strategi yang mengurangi sensitivitas terhadap kontaminasi data, efek penyamaran (masking), dan pemisahan acak yang bias. Dengan menggabungkan mekanisme ketahanan — seperti subsampling yang ditingkatkan, pembobotan ulang wilayah yang mencurigakan, atau pemisahan yang dikoreksi bias — metode ini mencapai skor anomali yang lebih andal ketika data pelatihan itu sendiri mengandung sebagian besar anomali atau ketika distribusi fitur tertentu menyebabkan iForest standar menghasilkan panjang jalur yang tidak andal.