Hutan Isolasi Robust

Robust Isolation Forest memperluas pendeteksi anomali Isolation Forest klasik dengan strategi yang mengurangi sensitivitas terhadap kontaminasi data, efek penyamaran, dan pembagian acak yang bias. Dengan menggabungkan mekanisme ketahanan — seperti subsampling yang ditingkatkan, pembobotan ulang wilayah yang mencurigakan, atau pembagian yang dikoreksi bias — ia mencapai skor anomali yang lebih andal ketika data pelatihan itu sendiri mengandung sebagian anomali yang tidak sepele atau ketika distribusi fitur tertentu menyebabkan iForest standar menghasilkan panjang jalur yang tidak dapat diandalkan.