lapisan neuron yang terhubung, yang memproses input dan menghasilkan output berdasarkan bobot yang dipelajari selama proses pelatihan. Dalam konteks penilaian harga opsi, JST dapat digunakan
untuk memodelkan hubungan yang kompleks antara variabel-variabel yang mempengaruhi harga
opsi, seperti harga saham dasar, volatilitas, waktu hingga jatuh tempo, dan suku bunga.
Proses pelatihan JST untuk penilaian harga opsi melibatkan penggunaan dataset historis yang
mencakup harga opsi yang sebenarnya, bersama dengan faktor-faktor yang mempengaruhi harga
tersebut. Melalui proses backpropagation dan pembaruan bobot secara iteratif, JST dapat belajar
untuk memprediksi harga opsi dengan tingkat akurasi yang tinggi, bahkan dalam kondisi pasar yang lebih dinamis dan kompleks.
Keunggulan utama JST dibandingkan Model Black-Scholes adalah kemampuannya untuk menangani data non-linear dan variabel yang lebih kompleks. JST tidak bergantung pada asumsi seperti
volatilitas yang tetap atau distribusi normal harga aset dasar, yang seringkali tidak realistis dalam
pasar yang volatil.
3.Perbandingan Kinerja: Black-Scholes vs Jaringan Saraf
