Lihat sumber Random Forest: Ensemble Decision Tree

Random Forest adalah metode [[ensemble learning]] yang menggabungkan banyak [[pohon keputusan]] untuk meningkatkan akurasi prediksi. Dikembangkan oleh Leo Breiman, metode ini terbukti sangat efektif dalam mengatasi masalah overfitting yang sering terjadi pada pohon keputusan tunggal.

== Cara Kerja Random Forest ==
Random Forest membangun sejumlah pohon keputusan secara acak dari subset data dan subset fitur. Hasil prediksi diambil berdasarkan voting (untuk klasifikasi) atau rata-rata (untuk regresi) dari semua pohon yang terbentuk.

== Keunggulan Random Forest ==
Metode ini mampu menghasilkan model yang lebih stabil dan akurat dibandingkan pohon keputusan tunggal. Random Forest juga tahan terhadap noise dan dapat menangani data dengan fitur dalam jumlah besar.

== Penggunaan dalam Berbagai Bidang ==
Random Forest banyak digunakan dalam berbagai aplikasi seperti [[bioinformatika]], [[keuangan]], dan [[deteksi penipuan]] karena kemampuannya dalam menangani data yang kompleks dan menghasilkan prediksi yang andal.