Cubehelix Palettes

Tugas SoftSkill (Desain Permodelan Grafik) Semester 5 (2015/2016)

Pembahasan : Different Cubehelix Palettes

Mata Kuliah : Desain Permodelan Grafik

Nama Anggota: 

Cahya Putri Vinansia 51411570

Laskyar Giovane Wicaksono 54413932

Kemal Ibnu

Frans Adhi Putra

KATA PENGANTAR

Puji syukur kami panjatkan ke hadirat Tuhan Yang Maha Esa karena atas rahmat dan karunia-Nya kami dapat menyelesaikan buku mengenai Different CubeHelix Palettes dengan baik. Buku ini disusun melalui studi pustaka dan pencarian di media internet serta media cetak lainnya yang kami proleh berdasarkan isi dosen mata kuliah Design Permodelan Grafik Universitas Gunadarma yaitu Bapak Dr.rer.nat. I Made Wiryana, S.Kom, S.Si, MAppSc.

Kami menyadari bahwa dalam proses penyusunan buku ini masih jauh dari kesempurnaan. Adapun naskah buku ini telah kami usahakan semaksimal mungkin dan tentunya dengan bantuan berbagai pihak. Untuk itu kami tidak lupa menyampaikan banyak terima kasih kepada semua pihak yang telah membantu kami dalam pembuatan naskah buku ini.

Namun tidak lepas dari semua itu, kami menyadari sepenuhnya bahwa masih ada kekurangan dalam penulisan naskah buku ini. Oleh karena itu penulis membuka kesempatan bagi pembaca yang ingin memberikan saran dan kritik sehingga kami dapat memperbaiki naskah buku ini. Semoga buku ini dapat bermanfaat dan berguna bagi para pembaca sekalian.

 

Depok, Februari 2016

 

Penyusun

1 PENDAHULUAN

1.1 LATAR BELAKANG

Dengan perkembangan jaman yang semakin pesat, teknologi pun ikut berkembang seiring dengan peradaban manusia. Kini banyak manusia yang sangat terbantu dengan adanya teknologi. Banyak bidang-bidang yang sangat terbantu seperti halnya keamanan, perekonomian, bidang kesehatan yang ikut terbantu dengan adanya teknologi, serta dalam bidang statistik teknologi sangat membantu dalam hal kependudukan. Para ahli terus menggali dan meneliti banyak hal sehingga setiap harinya banyak ide kreatif yang bermunculan untuk membuat suatu teknologi terbaru. Dahulu dalam bidang kesehatan ada beberapa penyakit yang masih belum ditemukan obatnya, pencegahannya ataupun alat bantunya. misalnya saja penyakit buta warna. Buta warna adalah salah satu penyakit turunan dari orangtua karena kelainan kromosom, namun ada pula penyakit buta warna yang dapat disebabkan oleh suatu racun atau limbah yang mengenai mata. Oleh karena itu, para astronom membuat cubehelix untuk membantu orang-orang yang mengidap buta warna. Dalam bidang statistik cubehelix juga sangat membantu dalam pemetaan Negara dan kependudukan, Menentukan kontur, bagian degradasi warna yang termasuk kedalamnya.

Cubehelix disarankan oleh Dave Green untuk menskema warna untuk mengaprosiasikan tampilan intensitas gambar. Skema ini dimaksudkan untuk meningkatkan kecerahan saat gambar ditampilkan di greyscale. Hal ini memungkinkan memberikan peningkatan visualisasi untuk penderita buta warna ketika dicetak hitam putih. Cube helix tidak memiliki peningkatan yang mendasari dalam persepsi kecerahan warna yang digunakan (misalnya terbakar menjadi merah untuk nilai data yang tinggi, tetapi menggunakan kuning / hijau untuk nilai data menengah, yang dirasakan sebagai lebih terang dari warna merah). Fungsi mengevaluasi heliks yang bergerak melalui RGB “kubus”, mulai dari hitam (0,0,0) dan berakhir pada putih (1,1,1).Poin merata spasi pada helix ini dalam kubus dikembalikan sebagai warna RGB,Ini memberikan palet warna yang intensitasnya meningkat secara monoton, yang merupakan pentransfer yang baik untuk menampilkan grayscale atau cetakan.Serta dapat memiliki keuntungan bagi penderita warna blindeness.

Cubehelix, seperti yang didefinisikan oleh Dave Green (2011), yaitu memiliki beberapa kegunaan seperti tombol yang dapat kita sesuaikan. Hal ini termasuk kedalam berapa kali melalui warna pelangi, lalu dari warna apa untuk memulai, arah mana yang harus dilalui, seberapa cepat untuk menuju warna dari warna hitam ke warna putih, dan bagaimana warna jenuh untuk membuat warna.

Beberapa contoh sederhana untuk menunjukkan fleksibilitas. Di bawah ini merupakan bebrapa tes untuk menunjukkannya;

1. Skema default dibuat mundur melalui roda pelangi sebanyak sekali (rotasi = -1, vibgyor).
2. Setelah melalui roda arah yang tepat.
3. Gerakan nol warna (hanya hitam ke putih) kemudian mulai dengan warna biru.
4. Dan setelah itu coba 5 kali melalui warna pelangi.

Hal tersebut akan berlangsung dari hitam menjadi putih, menyimpang jauh dari abu-abu murni (yaitu diagonal dari hitam menjadi putih dalam kubus warna) menggunakan helix meruncing di kubus warna, sambil memastikan terus meningkatnya intensitas yang dirasakan. Deviasi dari diagonal memperhitungkan bahwa merah, hijau dan biru tidak dianggap sama dalam hal intensitas. Skema warna Ini kemudian dicetakan sebagai greyscale monoton meningkat pada perangkat postscript hitam dan putih. Skema warna ini dijelaskan secara lebih rinci dalam: • Hijau, DA, 2011, “Sebuah skema warna untuk tampilan gambar intensitas astronomi”, Buletin Astronomical Society of India, 39, 289. (2011BASI…39.289G di )

Kemudian parameter yang mengontrol skema warna tersebut adalah: 1.

1. Start warna (ini adalah arah penyimpangan warna dominan dari hitam pada awal skema warna, dengan R = 1, G = 2, B = 3 dll);
2. Jumlah dari R> G> rotasi B yang dibuat dari awal (yaitu hitam) sampai akhir (yaitu putih) dari skema warna;
3. Rona parameter, yang mengontrol bagaimana jenuh warna semua warna yang (jika parameter ini adalah nol maka skema warna adalah murni greyscale, jika parameter lebih besar dari 1, maka beberapa R, G atau nilai B mungkin keluar dari berbagai dekat dengan skema warna awal atau akhir, sehingga akan harus terpotong, meskipun jika hanya beberapa tingkat warna yang terpotong, skema warna yang dihasilkan mungkin masih memuaskan);
4. Gamma factor, dapat digunakan untuk menekankan nilai-nilai intensitas rendah atau tinggi.
5. start (skalar, opsional). Mengatur posisi awal di ruang warna RGB. 0 = biru, 1 = merah, 2 = hijau. Default adalah 0.5 (ungu).
6. rotation (skalar, opsional). Jumlah rotasi melalui pelangi. Bisa positif atau negatif, menunjukkan arah pelangi. Nilai negatif sesuai dengan arah Biru → Red. Default adalah -1.5
7. start_hue (skalar, opsional). Mengatur warna mulai, mulai dari (-360, 360). Dikombinasikan dengan end_hue parameter ini menimpa start dan rotation Parameter ini didasarkan pada pelaksanaan D3 olehmbostock. Default adalah None
8. end_hue (skalar, opsional) Mengatur warna berakhir, mulai dari (-360, 360). Dikombinasikan dengan start_hue parameter ini menimpa start dan rotation Parameter ini didasarkan pada pelaksanaan D3 olehmbostock. Default adalah None
9. gamma (skalar, opsional). Koreksi gamma untuk intensitas. Nilai-nilai gamma < 1 menekankan intensitas rendah, sementara gamma > 1 menekankan intensitas tinggi. Default adalah 1.0
10. sat (skalar, opsional). Seragam faktor intensitas saturasi. sat=0 menghasilkan grayscale, sementara sat=1 mempertahankan saturasi penuh. Pengaturan sat>1 oversaturates peta warna, dengan risiko kliping skala warna. Perhatikan bahwa sat menimpa kedua min_stat dan max_sat jika diatur.
11. min_sat (skalar, opsional). Kejenuhan di tingkat minimum. Default adalah 1.2
12. max_sat (skalar, opsional). Satuation di tingkat maksimum. Default adalah 1.2
13. min_light (skalar, opsional). Nilai ringan minimal. Default adalah 0
14. max_light (skalar, opsional). Nilai ringan maksimum. Default adalah 1
15. n (skalar, opsional). Jumlah warna yang diberikan diskrit. Default adalah 256
16. reverse (bool, opsional). Set untuk True untuk membalikkan peta warna. Akan pergi dari hitam menjadi putih. Baik untuk plot kepadatan di mana kepadatan warna →. Default adalah False
17. name (str, opsional). Nama dari peta warna (standarnya ’custom_cubehelix’

Palettable (sebelumnya disebut brewer2mpl) adalah perpustakaan palet warna untuk Python. Ini ditulis dalam murni Python tanpa dependensi, tetapi dapat menyediakan peta warna untuk matplotlib. Anda dapat menggunakan palettable untuk menyesuaikan plot matplotlib atau warna pasokan untuk aplikasi web.

Berdasarkan latar belakang pembahasan buku ini, penulis akhirnya berinisiatif membahas beberapa persoalan dalam tema ini, yaitu :

1. Apa pengertian dari cube helix tersebut?
2. Apa keunggulan dan kekurangan dari cube helix palette ini?
3. Software apakah yang terkait dalam cube helix ini dan apa manfaatnya?

1.2 TUJUAN PENULISAN

Dengan pemilihan tema dan penyusunan buku ini diharapkan para pembaca mampu memahami aktifitas mengenai cubehelix serta teknik-teknik dalam meningkatkan teknologi cubehelix. Sehingga pembaca dapat memanfaatkan secara penuh penggunaan dari cubehelix palette ini.

2 Konsep Different Cubehelix Palettes

2.1 Memilih palet warna

Warna yang lebih penting daripada aspek lain dari gaya angka karena warna dapat mengungkapkan pola dalam data jika digunakan secara efektif atau menyembunyikan pola-pola jika digunakan buruk. Ada sejumlah sumber daya yang besar untuk belajar tentang teknik yang baik untuk menggunakan warna dalam visualisasi, aku parsial untuk ini serangkaian posting blog dari Rob Simmon dan ini kertas lebih teknis. Docs matplotlib juga sekarang memiliki tutorial bagus yang menggambarkan beberapa sifat persepsi yang dibangun di colormaps.

Seaborn membuatnya mudah untuk memilih dan menggunakan palet warna yang cocok untuk jenis data Anda bekerja dengan dan tujuan yang ada dalam memvisualisasikan itu.

% matplotlib inline

mengimpor numpy sebagai np

impor Seaborn sebagai sns

impor matplotlib.pyplot sebagai plt

. sns set (rc = {"figure.figsize": (6, 6)})

np. benih acak. (sum (peta (ord, "palet")))

2.2 Membangun palet warna dengan color_palette()

Fungsi yang paling penting untuk bekerja dengan palet warna diskrit adalah color_palette() Fungsi ini menyediakan sebuah antarmuka untuk banyak (meskipun tidak semua) dari cara yang mungkin Anda dapat menghasilkan warna dalam Seaborn, dan itu digunakan secara internal oleh setiap fungsi yang memiliki palette argumen (dan dalam beberapa kasus untuk color argumen ketika beberapa warna yang diperlukan) .

color_palette() akan menerima nama dari setiap Seaborn palet atau matplotlib colormap (kecuali jet yang Anda tidak harus menggunakan). Hal ini juga dapat mengambil daftar warna ditentukan dalam format matplotlib valid (tupel RGB, kode hex warna, atau nama warna HTML). Nilai kembali selalu daftar tupel RGB. Akhirnya, memanggil color_palette() tanpa argumen akan kembali saat siklus warna default.

Sebuah fungsi yang sesuai, set_palette() mengambil argumen yang sama dan akan mengatur siklus warna default untuk semua plot. Anda juga dapat menggunakan color_palette() dalam with pernyataan untuk mengubah sementara palet default (lihat di bawah).

Hal ini umumnya tidak mungkin untuk mengetahui apa jenis palet warna atau colormap yang terbaik untuk satu set data tanpa mengetahui tentang karakteristik data. Setelah itu, kami akan memecah cara yang berbeda untuk menggunakan color_palette() dan fungsi palet Seaborn lainnya oleh tiga jenis umum dari palet warna: kualitatif, sekuensial, dan divergen.

2.3 Palet warna kualitatif

Kualitatif (atau kategoris) palet yang terbaik ketika Anda ingin membedakan potongan diskrit data yang tidak memiliki pemesanan yang melekat. Ketika mengimpor Seaborn, siklus warna default berubah menjadi satu set enam warna yang membangkitkan siklus warna matplotlib standar sementara bertujuan untuk menjadi sedikit lebih menyenangkan untuk melihat.

current_palette = sns. color_palette ()

sns. palplot (current_palette)

Ada enam variasi dari tema default, yang disebut deep muted pastel bright dark dan colorblind

2.4 Menggunakan sistem warna melingkar

Bila Anda memiliki lebih dari enam kategori untuk membedakan, hal termudah adalah untuk menarik warna merata-spasi dalam ruang warna melingkar (seperti bahwa perubahan warna yang menjaga kecerahan dan saturasi konstan). Ini adalah apa yang kebanyakan fungsi Seaborn default ketika mereka harus menggunakan lebih banyak warna dari yang saat ini ditetapkan dalam siklus warna default. Cara yang paling umum untuk melakukan hal ini adalah menggunakan hls ruang warna, yang merupakan transformasi sederhana dari nilai-nilai RGB.

sns. palplot (sns. color_palette ("HLS", 8))

Ada juga hls_palette() fungsi yang memungkinkan Anda mengontrol ringan dan saturasi warna.

sns. palplot (sns. hls_palette (8, l =. 3, s =. 8))

Namun, karena cara sistem visual manusia bekerja, warna yang bahkan "intensitas" dalam hal tingkat RGB mereka tidak akan selalu terlihat sama intens. Kami memandang kuning dan hijau sebagai relatif cerah dan blues sebagai relatif gelap, yang dapat masalah ketika bertujuan untuk keseragaman dengan hls sistem. Untuk memperbaiki hal ini, Seaborn menyediakan antarmuka ke husl sistem, yang juga membuatnya mudah untuk memilih warna merata spasi sambil menjaga kecerahan jelas dan kejenuhan jauh lebih seragam.

sns. palplot (sns. color_palette ("husl", 8))

Ada pula fungsi yang disebut husl_palette() yang menyediakan antarmuka yang lebih fleksibel untuk sistem ini.

2.5 Menggunakan kategoris palet warna Brewer

Sumber lain dari palet kategoris visual menyenangkan datang dari Color Brewer alat (yang juga memiliki palet berurutan dan divergen, seperti yang akan kita lihat di bawah). Ini juga ada sebagai colormaps matplotlib, tetapi mereka tidak ditangani dengan benar. Dalam Seaborn, ketika Anda meminta palet Color Brewer kualitatif, Anda akan selalu mendapatkan warna diskrit, tetapi ini berarti bahwa pada titik tertentu mereka akan mulai siklus.

Sebuah fitur bagus dari website Color Brewer adalah bahwa ia menyediakan beberapa petunjuk yang palet buta warna aman. Ada berbagai [jenis] (http://en.wikipedia.org/wiki/Color_blindness) warna kebutaan, namun varian yang paling umum menyebabkan kesulitan membedakan merah dan hijau. Ini umumnya ide yang baik untuk menghindari menggunakan merah dan hijau untuk elemen plot yang perlu dibedakan berdasarkan warna.

sns. palplot (sns. color_palette ("Paired"))

sns. palplot (sns. color_palette ("Set2", 10))

Untuk membantu Anda memilih palet dari perpustakaan Color Brewer, ada choose_colorbrewer_palette() fungsi. Fungsi ini, yang harus digunakan dalam notebook IPython, akan meluncurkan sebuah widget interaktif yang memungkinkan Anda menelusuri berbagai pilihan dan tweak parameter mereka. Tentu saja, Anda mungkin hanya ingin menggunakan satu set warna yang Anda sangat suka bersama-sama. Karena color_palette() menerima daftar warna, ini mudah dilakukan.

flatui = ["# 9b59b6", "# 3498db", "# 95a5a6", "# e74c3c", "# 34495e", "# 2ecc71"]

sns. palplot (sns. color_palette (flatui))

2.6 Menggunakan nama warna dari survei warna xkcd

Beberapa waktu yang lalu, xkcd berlari upaya crowdsourced untuk nama warna RGB acak. Ini menghasilkan satu set 954 warna bernama, yang sekarang Anda dapat referensi di Seaborn menggunakan xkcd_rgb kamus:

plt petak. ([0, 1], [0, 1], sns. xkcd_rgb ["red pucat"], lw = 3) plt petak. ([0, 1], [0, 2], sns. xkcd_rgb ["hijau menengah"], lw = 3) plt plot (. [0, 1], [0, 3], sns xkcd_rgb ["biru denim"], lw = 3);

Jika Anda ingin menghabiskan beberapa waktu memilih warna, ini visualisasi interaktif mungkin berguna. Selain menarik keluar warna tunggal dari xkcd_rgb kamus, Anda juga dapat melewati daftar nama ke xkcd_palette() fungsi.

warna = ["jendela biru", "kuning", "keabu-abuan", "memudar hijau", "berdebu ungu"] sns. palplot (sns. xkcd_palette (warna))

2.7 Palet warna berurutan

Kelas utama kedua dari palet warna yang disebut "berurutan". Semacam ini pemetaan warna sesuai ketika data berkisar dari yang relatif rendah atau unintersting nilai ke nilai-nilai yang relatif tinggi atau menarik. Meskipun ada kasus di mana Anda akan ingin warna diskrit dalam palet berurutan, itu lebih umum untuk menggunakan mereka sebagai colormap dalam fungsi seperti kdeplot() atau corrplot() (bersama dengan fungsi matplotlib serupa).

Ini umum untuk melihat colormaps seperti jet (atau palet pelangi lainnya) yang digunakan dalam hal ini, karena butuh berbagai warna memberikan kesan memberikan informasi tambahan tentang data. Namun, colormaps dengan pergeseran rona besar cenderung untuk memperkenalkan diskontinuitas yang tidak ada dalam data, dan sistem visual kita tidak dapat secara alami memetakan pelangi untuk perbedaan kuantitatif seperti "tinggi" atau "rendah". Hasilnya adalah bahwa visualisasi ini berakhir menjadi lebih seperti teka-teki, dan mereka pola jelas dalam data daripada mengungkapkan mereka. Palet jet sangat buruk karena warna-warna terang, kuning dan cyan, digunakan untuk nilai data menengah. Ini memiliki efek menekankan tidak menarik (dan sewenang-wenang) nilai-nilai sementara demphasizing ekstrem.

Untuk data sekuensial, lebih baik menggunakan palet yang memiliki paling banyak pergeseran relatif halus dalam warna disertai dengan pergeseran besar dalam kecerahan dan saturasi. Pendekatan ini secara alami akan menarik mata ke bagian yang relatif penting dari data.

Warna Brewer perpustakaan memiliki seperangkat besar palet tersebut. Mereka dinamai warna dominan (atau warna) dalam palet.

sns. palplot (sns. color_palette ("Blues"))

Seperti di matplotlib, jika Anda ingin jalan ringan akan dipulihkan, Anda dapat menambahkan _r akhiran untuk nama palet.

sns. palplot (sns. color_palette ("BuGn_r"))

Seaborn juga menambahkan trik yang memungkinkan Anda untuk membuat "gelap" palet, yang tidak memiliki selebar berbagai dinamis. Hal ini dapat berguna jika Anda ingin memetakan garis atau poin berurutan, sebagai garis cerah berwarna dinyatakan mungkin sulit untuk membedakan.

sns. palplot (sns. color_palette ("GnBu_d"))

Ingatlah bahwa Anda mungkin ingin menggunakan choose_colorbrewer_palette() fungsi untuk bermain dengan berbagai pilihan, dan Anda dapat mengatur as_cmap argumen untuk True jika Anda ingin nilai kembali menjadi objek colormap yang dapat Anda lulus untuk Seaborn atau fungsi matplotlib.

2.8 Palet Sequential dengan cubehelix_palette()

The cubehelix sistem palet warna membuat palet berurutan dengan peningkatan linear atau penurunan kecerahan dan beberapa variasi dalam warna. Ini berarti bahwa informasi dalam colormap Anda akan dipertahankan bila dikonversi ke (pencetakan untuk) hitam dan putih atau bila dilihat oleh individu buta warna.

Matplotlib memiliki versi cubehelix standar dibangun ke dalamnya:

sns. palplot (sns. color_palette ("cubehelix", 8))

Seaborn menambahkan sebuah antarmuka untuk sistem cubehelix sehingga Anda dapat membuat berbagai palet yang semua memiliki linear kecerahan jalan berperilaku baik.

Palet standar dikembalikan oleh Seaborn cubehelix_palette() fungsi sedikit berbeda dari default matplotlib dalam hal itu tidak berputar sejauh sekitar roda warna atau menutupi selebar berbagai intensitas. Hal ini juga membalikkan urutan sehingga nilai-nilai yang lebih penting adalah gelap:

sns. palplot (sns cubehelix_palette. (8))

Argumen lain untuk cubehelix_palette() mengontrol bagaimana palet terlihat. Dua hal utama yang akan mengubah adalah start (nilai antara 0 dan 3) dan rot atau jumlah rotasi (nilai sewenang-wenang, tapi mungkin dalam -1 dan 1), .

sns palplot (. sns cubehelix_palette (8, mulai = 5, membusuk = -.. 75))

Anda juga dapat mengontrol bagaimana gelap dan cahaya endpoint berada dan bahkan membalikkan jalan:

sns. palplot (sns. cubehelix_palette (8, mulai = 2, membusuk = 0, gelap = 0, cahaya =. 95, reverse = True))

Secara default Anda hanya mendapatkan daftar warna, seperti palet Seaborn lainnya, tetapi Anda juga dapat kembali palet sebagai objek colormap yang dapat dikirimkan ke Seaborn atau fungsi matplotlib menggunakan as_cmap=True

x, y = np acak multivariate_normal.. ([0, 0], [[1, -. 5], [-. 5, 1]], ukuran = 300) T. Cmap = sns. cubehelix_palette (light = 1, as_cmap = True) . sns kdeplot (x, y, Cmap = Cmap, warna = True);

Untuk membantu memilih palet baik atau colormaps menggunakan sistem ini, Anda dapat menggunakan choose_cubehelix_palette() fungsi dalam notebook untuk meluncurkan sebuah aplikasi interaktif yang akan membiarkan Anda bermain dengan parameter yang berbeda. Lulus as_cmap=True jika Anda ingin fungsi untuk mengembalikan colormap (bukan daftar) untuk digunakan dalam fungsi seperti hexbin

2.9 Palet kustom berurutan dengan light_palette() dan dark_palette()

Untuk antarmuka sederhana untuk palet kustom berurutan, Anda dapat menggunakan light_palette() atau dark_palette() yang keduanya diunggulkan dengan warna tunggal dan menghasilkan palet yang landai baik dari cahaya atau nilai desaturated gelap untuk warna itu. Fungsi-fungsi ini juga disertai dengan choose_light_palette() dan choose_dark_palette() fungsi yang meluncurkan widget interaktif untuk membuat palet tersebut.

sns. palplot (sns. light_palette ("hijau"))

sns. palplot (sns. dark_palette ("ungu"))

Palet ini juga dapat dibalik.

sns. palplot (sns. light_palette ("navy", reverse = True))

Mereka juga dapat digunakan untuk membuat objek colormap daripada daftar warna.

pal = sns. dark_palette ("palegreen", as_cmap = True) .

sns kdeplot (x, y, Cmap = pal);

Secara default, input dapat berupa warna matplotlib valid. Interpretasi alternatif dikendalikan oleh input argumen. Saat ini Anda dapat memberikan tupel di hls atau husl ruang bersama dengan default rgb dan Anda juga dapat benih palet dengan valid xkcd warna.

sns. palplot (sns. light_palette ((210, 90, 60), input = "husl"))

sns. palplot (sns. dark_palette ("diredam ungu", input = "xkcd"))

Perhatikan bahwa ruang input default untuk widget palet interaktif adalah husl yang berbeda dari default untuk fungsi itu sendiri, tetapi jauh lebih berguna dalam konteks ini.

2.10 Divergen palet warna

Kelas ketiga palet warna disebut "divergen". Ini digunakan untuk data di mana baik besar nilai rendah dan tinggi yang menarik. Ada juga biasanya titik tengah yang didefinisikan dalam data. Misalnya, jika Anda sedang merencanakan perubahan suhu dari beberapa timepoint awal, yang terbaik adalah menggunakan colormap divergen untuk menunjukkan daerah dengan penurunan relatif dan daerah dengan peningkatan relatif. Aturan untuk memilih palet divergen baik mirip dengan palet berurutan baik, kecuali sekarang Anda ingin memiliki dua shift warna yang relatif halus dari warna awal yang berbeda yang bertemu di sebuah warna di bawah-ditekankan pada titik tengah. Ini juga penting bahwa nilai-nilai yang mulai kecerahan sama dan saturasi.

Ini juga penting untuk menekankan di sini bahwa menggunakan merah dan hijau harus dihindari, karena populasi besar potensi pemirsa akan dapat membedakan mereka. Seharusnya tidak mengejutkan Anda bahwa perpustakaan Color Brewer datang dengan satu set yang terpilih colormaps divergen.

sns. palplot (sns. color_palette ("BrBG", 7))

sns. palplot (sns. color_palette ("RdBu_r", 7))

Pilihan lain yang baik yang dibangun ke matplotlib adalah coolwarm palet. Perhatikan bahwa colormap ini memiliki kurang kontras antara nilai tengah dan ekstrem.

sns. palplot (sns. color_palette ("coolwarm", 7))

2.11 Palet kustom divergen dengan diverging_palette()

Anda juga dapat menggunakan fungsi Seaborn diverging_palette() untuk membuat colormap kustom untuk divergen data. (Tentu ada juga widget pendamping interaktif, choose_diverging_palette() Fungsi ini membuat palet divergen menggunakan husl sistem warna. Anda lulus dua warna (di degreees) dan, opsional, nilai-nilai ringan dan saturasi untuk ekstrem. Menggunakan husl berarti bahwa nilai-nilai ekstrim, dan landai yang dihasilkan untuk titik tengah, akan seimbang.

sns. palplot (sns. diverging_palette (220, 20, n = 7))

sns. palplot (sns. diverging_palette (145, 280, s = 85, l = 25, n = 7))

The sep argumen mengontrol lebar pemisahan antara dua landai di wilayah tengah palet.

sns. palplot (sns. diverging_palette (10, 220, September = 80, n = 7))

Ini juga mungkin untuk membuat palet dengan titik tengah gelap daripada cahaya.

sns. palplot (sns. diverging_palette (255, 133, l = 60, n = 7, pusat = "gelap"))

2.12 Mengubah palet standar dengan set_palette()

The color_palette() fungsi memiliki pendamping yang disebut set_palette() Hubungan antara mereka mirip dengan pasangan tercakup dalam estetika tutorial. set_palette() menerima argumen yang sama seperti color_palette() tetapi perubahan parameter matplotlib default sehingga palet digunakan untuk semua plot.

def sinplot (sandal = 1):

x = linspace np. (0, 14, 100)

untuk i di kisaran (1, 7):

plt plot (x, np sin (x + i * 5) * (7 -.. i) * sandal).

sns. set_palette ("husl") sinplot ()

The color_palette() fungsi juga dapat digunakan dalam with pernyataan untuk sementara mengubah palet warna. dengan

sns color_palette ("PuBuGn_d").:

sinplot ()

3 Software Pendukung

Seaborn adalah perpustakan visualiasi Python berdasarkan matplotlib yang menyediakan antarmuka tingkat tinggi untuk menggambar statistic yang menarik. Seaborn adalah library untuk membuat grafik statistic yang menarik dan informatik dengan Python. Hal ini dibangun di atas matplotlib dan terintegrasi dengan PyData stack, termasuk dukungan untuk numpy dan data panda struktur dan rutinitas statistic dari scipy dan statsmodels.

Beberapa fitur Seaborn yang ditawarkan yaitu:

1. Beberapa built-in tema yang memperbaiki estetika matplotlib standar
2. Alat untuk memilih palate warna untuk membuat plot yang indah yang mengungkapkan pola dalam data anda
3. Fungsi untuk memvisualisasikan distribusi univariat dan bivariat atau untuk membandingkan mereka antara subset data - See more at:
4. Alat yang sesuai dan memvisualisasikan model regresi linier untuk berbagai jenis variable independen dan dependen
5. Fungsi untuk plot dta deret waktu statistic dengan estimasi fleksibel dan representasi ketidakpastian sekitar estimasi

Seaborn bertujuan untuk membuat visualisasi bagian tengah mengeksplorasi dan memahami data. Fungsi merencanakan beroperasi pada frame data dan array yang berisi seluruh dataset dan internal melakukan agregasi diperlukan dan statistik model pas untuk menghasilkan plot informatif. Jika matplotlib "mencoba untuk membuat hal-hal mudah yang mudah dan hal-hal sulit yang mungkin", Seaborn mencoba untuk membuat satu set yang didefinisikan dengan baik hal-hal yang sulit mudah juga.

Fungsi merencanakan mencoba untuk melakukan sesuatu yang berguna saat dipanggil dengan satu set minimal argumen, dan mereka mengekspos sejumlah pilihan disesuaikan melalui parameter tambahan. Beberapa fungsi petak langsung ke matplotlib sebuah kapak objek, sementara yang lain beroperasi pada sosok seluruh dan menghasilkan plot dengan beberapa panel. Dalam kasus terakhir, plot diambil menggunakan benda Grid yang menghubungkan struktur sosok dengan struktur dataset dengan cara yang abstrak.

Karena Seaborn menggunakan matplotlib, grafis dapat lebih tweak menggunakan alat matplotlib dan diberikan dengan salah satu backends matplotlib untuk menghasilkan angka publikasi berkualitas. Seaborn juga dapat digunakan untuk menargetkan grafis berbasis web melalui mpld3 dan Bokeh perpustakaan.

Seaborn harus dianggap sebagai pelengkap untuk matplotlib, bukan pengganti untuk itu. Bila menggunakan Seaborn, ada kemungkinan bahwa Anda akan sering memanggil fungsi matplotlib langsung menggambar plot sederhana sudah tersedia melalui namespace pyplot. Selanjutnya, sedangkan fungsi Seaborn bertujuan untuk membuat plot yang cukup "siap produksi" (termasuk penggalian informasi semantik dari objek Panda menambahkan label informatif), kustomisasi penuh angka akan memerlukan pemahaman yang canggih benda matplotlib.

4 Instalasi Seaborn

Untuk menginstal versi dirilis Seaborn, Anda dapat menggunakan pip (dalam pip install Seaborn). Atau, Anda dapat menggunakan pip untuk menginstal versi pengembangan, dengan perintah pip install git + git: //github.com/waskom/seaborn.git#egg=seaborn. Pilihan lain akan mengkloning repositori github dan menginstal dengan pip install. dari direktori source. Seaborn sendiri merupakan Python murni, sehingga instalasi cukup sederhana Bila menggunakan versi pengembangan,

Anda mungkin ingin merujuk pada dokumentasi pembangunan. Perhatikan bahwa ini tidak dibangun secara otomatis dan dapat di kali jatuh dari sinkron dengan cabang master sebenarnya pada github

Yang kita perlukan yaitu:

• Python 2.7 atau 3.3+

• Numpy

• Scipy

• Matplotlib

• Pandas

• Importing seaborn

Seaborn akan menerapkan parameter gaya default untuk global gaya matplotlib kamus ketika Anda impor. Ini akan mengubah tampilan semua plot, termasuk yang dibuat dengan menggunakan fungsi matplotlib langsung. Untuk menghindari perilaku ini dan menggunakan estetika matplotlib default (bersama dengan kustomisasi apapun dalam matplotlibrc Anda), Anda dapat mengimpor seaborn.api hanya namespace. Seaborn memiliki beberapa gaya pra-paket lainnya bersama dengan alat-alat tingkat tinggi untuk mengelola mereka, sehingga Anda tidak harus membatasi diri Anda untuk estetika default. Dengan konvensi, Seaborn disingkat sns pada impor

4.1 Penggunaan Seaborn

Setiap estetika memiliki skala default yang ditambahkan ke plot setiap kali Anda menggunakan estetika itu. Ini tercantum dalam Tabel 6.1. Skala tergantung pada jenis variabel: kontinyu (numerik) atau diskrit (faktor, logis, karakter). Jika Anda ingin mengubah timbangan standar melihat skala set_default (), dijelaskan dalam Bagian 8.2.1. Timbangan standar ditambahkan ketika Anda menginisialisasinya plot dan ketika Anda menambahkan lapisan baru. Ini berarti ada kemungkinan untuk mendapatkan ketidaksesuaian antara jenis variabel dan jenis skala jika nanti memodifikasi data yang mendasari atau pemetaan estetika. Ketika ini terjadi, Anda perlu menambahkan skala yang benar sendiri. Contoh berikut menggambarkan masalah dan solusi.

plot <- qplot(cty, hwy, data = mpg) plot

# This doesn’t work because there is a mismatch between the

# variable type and the default scale plot + aes(x = drv)

# Correcting the default manually resolves the problem. plot + aes(x = drv) + scale_x_discrete()

Untuk menambahkan skala yang berbeda atau memodifikasi beberapa fitur dari skala default, Anda harus membangun skala baru dan kemudian menambahkannya ke plot menggunakan +. Semua konstruktor skala memiliki skema penamaan umum. Mereka mulai dengan skala _, diikuti dengan nama estetika (misalnya, warna _, shape_ atau x_), dan akhirnya dengan nama skala (misalnya, gradien, warna atau manual). Sebagai contoh, nama skala default untuk estetika warna berdasarkan data diskrit adalah hue skala warna (), dan nama dari skala warna Brewer untuk mengisi warna adalah skala mengisi bir ().

6.1: Scales, berdasarkan jenis estetika dan variabel. Timbangan standar yang berani. Skala standar bervariasi tergantung pada apakah variabel kontinu atau diskrit. Bentuk dan jenis garis tidak memiliki skala standar terus menerus; Ukuran tidak memiliki skala diskrit default.

Kode berikut mengilustrasikan ini process.We mulai dengan plot yang menggunakan skala warna default, dan kemudian memodifikasi untuk menyesuaikan penampilan legenda, dan kemudian menggunakan skala warna yang berbeda. Hasilnya ditunjukkan pada Gambar 6.1.

p <- qplot(sleep_total, sleep_cycle, data = msleep,colour = vore) p

#Explicitly add the default scale p + scale_colour_hue()

# Adjust parameters of the default, here changing the appearance

# of the legend p + scale_colour_hue("What does\nit eat?", breaks = c("herbi", "carni", "omni", NA), labels = c("plants", "meat", "both", "don’t know"))

# Use a different scale p + scale_colour_brewer(pal = "Set1")

6.1: Ara Mengatur parameter default skala. (Top kiri) Plot dengan skala default. (Top kanan) Menambahkan skala standar dengan tangan tidak mengubah tampilan plot. (Bawah kiri) Mengatur parameter skala untuk men-tweak legenda. Kanan bawah) Menggunakan skala warna yang berbeda: Set1 dari warna ColorBrewer.

Penutup

Demikianlah buku yang kami buat ini, semoga bermanfaat dan menambah pengetahuan para pembaca. Kami mohon maaf apabila ada kesalahan ejaan dalam penulisan kata dan kalimat yang kurang jelas atau kurang dimengerti. Kami juga sangat mengharapkan saran dan kritik para pembaca demi kesempurnaan buku ini. Sekian penutup dari kami semoga dapat diterima dihati dan kami ucapkan terima kasih yang sebesar-besarnya.

Daftar Pustaka

• https://raw.githubusercontent.com/uiuc-cse/python-fa14/gh-pages/notes/matplotlib.ipynb
• https://jiffyclub.github.io/palettable/cubehelix/
• https://www.reproducibility.org/rsflog/index.php?/archives/355-cube-helix-colour-palette.html
• http://finzi.psych.upenn.edu/library/rje/html/cubeHelix.html
• http://stanford.edu/~mwaskom/software/seaborn/generated/seaborn.cubehelix_palette.html
• http://stanford.edu/~mwaskom/software/seaborn/index.html
• http://stanford.edu/~mwaskom/software/seaborn/tutorial.html

Penggunaan Cloud Computing

Cloud Computing adalah suatu pergeseran dari perusahaan dalam membeli dan memelihara server dan aplikasi on-premise yang mahal, dan bergerak menuju metode penyewaan IT, sesuai dengan kebutuhan, dari satu penyedia layanan public cloud. Alasan ekonomi yang menjadi pendorong di belakang konsolidasi ini adalah penghematan biaya yang signifikan dan pengurangan risiko yang diterima oleh perusahaan ketika mereka memusatkan sumber daya teknologi mereka di sebuah pusat data yang dikelola secara profesional oleh pihak luar. 

Berikut contoh implementasi yang menggunakan cloud computing:

1.Lintas Media Danawa (LMD)

Anak perusahaan Lintasarta, perusahaan ICT terkemuka di Indonesia saat ini, membawa teknologi cloud computing ke Indonesia.jadi perusahaan ini melayani on demand cloud computing dan privatecloud computing Di Indonesia.untuk biayanya juga tidak terlalu mahal yaitu untuk layanan on demand cloud computing. Langkah yang diambil oleh perusahaan ini menurut saya sangat benar karena daripada membeli server baru, lebih baik perusahaan-perusahaan menyewa server secara virtual. Tak perlu keluar banyak biaya, menghemat biaya sampai 80 persen dan bebas biaya perawatan.Penghematan yang diperoleh jika menggunakan cloud computing adalah rak yang dipakai untuk server cukup 2 rak, sedangkan jika tidak menggunakan teknologi cloud computing, perusahaan butuh lebih 10 rak.

Selain itu, dari sisi biaya, jauh lebih murah. Perusahaan yang belum menggunakan teknologi ini harus membayar 2.000 dollar AS per bulan untuk sewa server, sedangkan yang memanfaatkan teknologi ini cukup membayar 40 dollar AS tergantung skalanya.

2. Cloud Computing dalam pemerintahan (E-Goverment) dapat mendongkrak kinerja khususnya dalam bidang pemerintahan. E-Goverment dapat membantu para staff di bidang pemerintahan untuk memberikan pelayanan yang lebih baik ke masyarakat. Pemerintah dalam negara Indonesia telah menggunakan cloud computing.

Contoh pertama yaitu sebagai penyediaan sumber informasi. Badan Pengkajian Dan Penerapan Teknologi (BPPT) telah menyediakan layanan Cloud Computing sebagai layanan jasa alih daya pengelolaan TIK untuk instansi pemerintah. Layanan ini bertujuan untuk dapat mewujudkan percepatan e-government, karena memungkinkan pengguna pemerintah berkonsentrasi dalam memberikan layanan dan tidak dipusingkan dengan konfigurasi maupun pemeliharan perangkat teknologi informasi.

Selain itu instansi pemerintah seperti Badan Pengawas Tenaga Nuklir dan Kementerian Riset dan Teknologi (Kemenristek) juga sudah menggunakan teknologi ini. Dengan demikian, berdasarkan kalkulasi Balai Ipteknet penggunaan layanan jasa komputasi awan dapat menghemat biaya hampir 50% dibanding dengan menyiapkan infrastruktur dan SDM sendiri yang mencapai ratusan juta rupiah.

3. NEC

Perusahaan teknologi asal Jepang, menghadirkan layanan komputasi awan untuk sektor pertanian. Menurut Presiden Direktur NEC Indonesia, Tsukamoto Takeshi, kegiatan di bidang agrikultur sangat potensial untuk memanfaatkan cloud computing. Teknologi komputasi awan untuk sektor pertanian dapat digunakan misalnya untuk memantau pasokan bahan pangan, seperti sayur-mayur dan buah-buahan, ke pasar di sekitarnya. Dengan sistem pemasaran seperti ini, kendala dalam alur distribusi bisa teratasi.

Penggunaan teknologi cloud computing juga bisa diterapkan pemerintah daerah untuk mengetahui total kebutuhan pangan wilayahnya dibandingkan dengan sebaran penduduk dan mengatur distribusinya. Salah satu sektor agrikultur yang diharapkan mengadopsi layanan komputasi awan adalah perusahaan perkebunan. Ambil contoh perusahaan perkebunan sawit atau karet. Perusahaan itu bisa menggunakan teknologi ini untuk memantau perkembangan tanaman dan mengetahui ketersediaan bahan baku. 

Selain menawarkan solusi teknologi informasi untuk bidang pertanian, NEC juga memberikan layanan cloud computing untuk ritel, manufaktur, dan keamanan publik. Di Indonesia, teknologi NEC sudah digunakan oleh 3 perusahaan operator selular, seperti Telkomsel, Indosat, dan XL. Salah satu layanan yang digunakan adalah menara trasmisi atau BTS.

Adapun untuk keamanan publik, NEC memperkenalkan berbagai perangkat pemindai wajah dan sidik jari. 

4. EMR

Penggunaan teknologi IT dalam dunia medis sudah lama digunakan, contohnya saja dalam penyimpanan data pasien, data dokter ataupun yang lainnya. Tapi apakah hanya itu? Apakah penggunakan teknologi dalam dunia IT sudah maksimal? Beberapa tahun ini dalam dunia medis ada yang dikenal dengan nama EMR (Electronic Medical Records) atau dalam bahasa Indonesia nya adalah Rekaman Data Medis Elektronik yang menggunakan networking system seperti internet. EMR ini adalah sebuah software yang digunakan untuk menyimpan data medis para pasien.

Dengan masih menggunakan sistem atau teknologi networking seperti internet, EMR hanya bisa diakses oleh pengguna atau user dan penyedia layanan EMR di satu tempat saja, dan EMR tidak terintegerasi ke dalam software lain atau tidak dapat digunakan ke penyedia software lain (dalam hal ini Rumah Sakit). Tetapi dengan adanya dunia Cloud dunia medis sekarang ini menjadi sangat maju, terutama untuk menintegrasikan EMR, sehingga dengan masuknya Cloud Computing data medis para pasien dapat diakses di manapun, kapanpun.

Saat menggunakan Cloud Computing nama EMR diganti dengan EHR (Electronic Health Records), dan software atau aplikasi EHR ini dapat diakses melalui PC, laptop, tablet maupun smartphone dengan menggunakan browser sehingga memudahkan user. Data EHR juga dapat disi atau di-update oleh user kapanpun, diisi manual maupun menggunakan data dari alat medis.

Sumber:

• http://cloudindonesia.com/cloud-computing-dan-contoh-penerapan-dalam-perusahaan/
• http://cloudindonesia.com/implementasi-cloud-computing-di-bidang-pemerintahan/
• http://www.tempo.co/read/news/2011/07/12/072346181/NEC-Tawarkan-Solusi-Komputasi-Awan-untuk-Pertanian
• http://cloudindonesia.com/cloud-di-dalam-bidang-medis/

Pengertian Komputasi Modern

Komputasi

sebetulnya bisa diartikan sebagai cara untuk menemukan pemecahan masalah dari data input dengan menggunakan suatu algoritma. Hal ini ialah apa yang disebut dengan teori komputasi, suatu sub-bidang dari ilmu komputer dan matematika. Selama ribuan tahun, perhitungan dan komputasi umumnya dilakukan dengan menggunakanpena dan kertas, atau kapur dan batu tulis, atau dikerjakan secara mental, kadang-kadang dengan bantuan suatu tabel. Namun sekarang, kebanyakan komputasi telah dilakukan dengan menggunakan komputer.

Komputasi sebetulnya bisa diartikan sebagai cara untuk menemukan pemecahan masalah dari data input dengan menggunakan suatu algoritma. Hal ini ialah apa yang disebut dengan teori komputasi, suatu sub-bidang dari ilmu komputer dan matematika. Selama ribuan tahun, perhitungan dan komputasi umumnya dilakukan dengan menggunakan pena dan kertas, atau kapur dan batu tulis, atau dikerjakan secara mental, kadang-kadang dengan bantuan suatu tabel. Namun sekarang, kebanyakan komputasi telah dilakukan dengan menggunakan komputer.

Secara umum iIlmu komputasi adalah bidang ilmu yang mempunyai perhatian pada penyusunan model matematika dan teknik penyelesaian numerik serta penggunaan komputer untuk menganalisis dan memecahkan masalah-masalah ilmu (sains). Dalam penggunaan praktis, biasanya berupa penerapan simulasi komputer atau berbagai bentuk komputasi lainnya untuk menyelesaikan masalah-masalah dalam berbagai bidang keilmuan, tetapi dalam perkembangannya digunakan juga untuk menemukan prinsip-prinsip baru yang mendasar dalam ilmu.

Teori komputasi

adalah cabang ilmu komputer dan matematika yang membahas apakah dan bagaimanakah suatu masalah dapat dipecahkan pada model komputasi, menggunakan algoritma. Bidang ini dibagi menjadi dua cabang: teori komputabilitas dan teori kompleksitas, namun kedua cabang berurusan dengan model formal komputasi.

Penggunaan Komputasi

Salah satu contoh penggunaan komputasi adalah dalam bidang kedokteran,yaitu dalam pencarian obat. Untuk meramalkan aktivitas sejumlah besar calon obat, seorang praktisi komputasi meniru suasana pengujian aktivitasnya di laboratorium basah dengan model-model Fisika atau Matematika (seperti: struktur 3 dimensi calon obat) sebagai pengganti bahan-bahan laboratorium tersebut. Model-model ini kemudian dinyatakan di dalam persamaan-persamaan Matematika yang kemudian diselesaikan oleh komputer dengan kapasitas dan kelajuan yang melebihi kapasitas dan kelajuan manusia. Hasilnya berupa suatu bilangan bagi tiap calon obat yang dapat dibandingkan satu dengan yang lainnya. Perbandingan ini merupakan ramalan tingkat aktivitas suatu calon obat relatif terhadap calon obat lainnya. Demikianlah cara meramalkan aktivitas calon obat dengan metode komputasi. Dengan demikian, calon-calon obat yang diramalkan akan memberikan aktivitas yang rendah dapat dihindari.



sumber:

http://id.wikipedia.org/wiki/Komputasi
http://id.wikipedia.org/wiki/Teori_komputasi

http://teknohere.com/pengantar-komputasi-modern/

Pengertian Domain

    Nama domain (domain name) adalah nama unik yang diberikan untuk mengidentifikasi nama server komputer seperti web server atau email server di jaringan komputer ataupun internet. Nama domain berfungsi untuk mempermudah pengguna di internet pada saat melakukan akses ke server, selain juga dipakai untuk mengingat nama server yang dikunjungi tanpa harus mengenal deretan angka yang rumit yang dikenal sebagai alamat IP. Nama domain ini juga dikenal sebagai sebuah kesatuan dari sebuah situs web seperti contohnya "wikipedia.org". Nama domain kadang-kadang disebut pula dengan istilah URL, atau alamat website.
   
    Pada awalnya nama domain hanya dapat dituliskan dengan ke-26 abjad Latin, namun saat ini telah dimungkinkan untuk menggunakan abjad asing dengan Internasionalisasi nama domain. Sistem nama domain (DNS) adalah aturan yang dipakai dalam sistem penamaan dari nama domain ini.
   
    Domain adalah suatu nama berformat huruf abjad (a,b,c,d,e,dan seterusnya) dan angka (1,2,3,dan seterusnya) serta simbol (-)untuk menamai alamat url website untuk mengidenfitikasi sebagai pengganti format deretan angka alamat IP client server hosting tempat file website diletakkan. Contoh : misal alamat IP server tempat file web kita disimpan adalah 77.165.90.89 sebenarnya kita bisa saja mengetikkan 77.165.90.89 langsung di browser untuk mengakses website kita, namun hal ini tentunya sangat tidak baik bagi ingatan orang khususnya ingatan pengunjung website yang mengakses website kita. Sehingga fungsi domain lebih untuk mudahkan orang mengingat sebuah nama url dibanding deretan deretan angka IP. Untuk itu diperlukan domain guna mengganti deretan angka tersebut agar menjadi deretan kata yang tentunya gampang diingat. misal:namadomain.com akan lebih mudah diingat ketimbang angka 218.719.51.617

Registrasi luar negeri yang diperbolehkan:
A
· .ac – Ascension *
· .ad – Andorra
· .ae – Uni Emirat Arab
· .af – Afganistan
· .ag – Antigua dan Barbuda *
· .ai – Anguilla
· .al – Albania
· .am – Armenia *
· .an – Antillen Belanda
· .ao – Angola
· .aq – Antartika
· .ar – Argentina
· .as – Samoa Amerika *
· .at – Austria *
· .au – Australia
· .aw – Aruba
· .ax – Åland
· .az – Azerbaijan

B
· .ba – Bosnia Herzegovina
· .bb – Barbados
· .bd – Bangladesh
· .be – Belgia *
· .bf – Burkina Faso
· .bg – Bulgaria
· .bh – Bahrain
· .bi – Burundi *
· .bj – Benin
· .bm – Bermuda
· .bn – Brunei Darussalam
· .bo – Bolivia *
· .br – Brasil *
· .bs – Bahama *
· .bt – Bhutan
· .bv – Pulau Bouvet (tidak dipakai dan tidak terdaftar)
· .bw – Botswana
· .by – Belarus
· .bz – Belize *

C
· .ca – Kanada
· .cc – Pulau Cocos *
· .cd – Republik Demokratik Kongo(dulunya .zr – Zaire) *
· .cf – Republik Afrika Tengah
· .cg – Republik Kongo *
· .ch – Swiss *
· .ci – Côte d'Ivoire (Pantai Gading)
· .ck – Kepulauan Cook *
· .cl – Chili
· .cm – Kamerun
· .cn – Republik Rakyat Cina *
· .co – Kolombia
· .cr – Kosta Rika
· .cs – Serbia dan Montenegro (dulunya.yu – Yugoslavia; Catatan: pada tanggal3 Juni, 2006,   Montenegromendeklarasikan kemerdekaannya, sehingga domain ini tidak dipakai lagi.)(kode domain .cs tidak dipakai, tidak ada DNS) (kode domain .cs dulunya dipakai untuk Cekoslowakia)
· .cu – Kuba
· .cv – Tanjung Verde
· .cx – Pulau Natal *
· .cy – Siprus
· .cz – Republik Ceko

D
· .de – Jerman
· .dj – Djibouti *
· .dk – Denmark *
· .dm – Dominika
· .do – Republik Dominika
· .dz – Aljazair (Algeria)

E
· .ec – Ekuador
· .ee – Estonia
· .eg – Mesir
· .eh – Sahara Barat (tidak dipakai; tidak ada DNS)
· .er – Eritrea
· .es – Spanyol *
· .et – Ethiopia
· .eu – Uni Eropa (kode domain yang "dikhususkan" oleh ISO 3166-1)

F
· .fi – Finlandia
· .fj – Fiji *
· .fk – Kepulauan Falkland
· .fm – Federasi Mikronesia *
· .fo – Kepulauan Faroe
· .fr – Perancis

G
· .ga – Gabon
· .gb – Britania Raya (Reserved domain by IANA; deprecated – see .uk)
· .gd – Grenada
· .ge – Georgia
· .gf – Guyana Perancis
· .gg – Guernsey
· .gh – Ghana
· .gi – Gibraltar
· .gl – Greenland *
· .gm – Gambia
· .gn – Guinea
· .gp – Guadeloupe
· .gq – Guinea Khatulistiwa
· .gr – Yunani *
· .gs – Georgia Selatan dan Kepulauan Sandwich Selatan *
· .gt – Guatemala
· .gu – Guam
· .gw – Guinea Bissau
· .gy – Guyana

H
· .hk – Hong Kong *
· .hm – Pulau Heard dan Kepulauan McDonald *
· .hn – Honduras *
· .hr – Kroasia
· .ht – Haiti
· .hu – Hongaria *

I
· .id – Indonesia
· .ie – Republik Irlandia
· .il – Israel *
· .im – Pulau Man *
· .in – India *
· .io – Teritori Samudra Hindia Britania *
· .iq – Irak
· .ir – Iran *
· .is – Islandia
· .it – Italia

J
· .je – Jersey
· .jm – Jamaika
· .jo – Yordania
· .jp – Jepang

K
· .ke – Kenya
· .kg – Kirgizstan
· .kh – Kamboja
· .ki – Kiribati
· .km – Komoro
· .kn – Saint Kitts dan Nevis
· .kp – Korea Utara (tidak dipakai; tidak ada DNS)
· .kr – Korea Selatan
· .kw – Kuwait
· .ky – Kepulauan Cayman
· .kz – Kazakhstan *

L
· .la – Laos *
· .lb – Lebanon
· .lc – Saint Lucia
· .li – Liechtenstein *
· .lk – Sri Lanka
· .lr – Liberia
· .ls – Lesotho
· .lt – Lituania
· .lu – Luxemburg
· .lv – Latvia *
· .ly – Libya *

M
· .ma – Maroko
· .mc – Monako
· .md – Moldova *
· .me – Montenegro
· .mg – Madagaskar
· .mh – Kepulauan Marshall
· .mk – Republik Makedonia
· .ml – Mali
· .mm – Myanmar
· .mn – Mongolia *
· .mo – Makau
· .mp – Kepulauan Mariana Utara *
· .mq – Martinique
· .mr – Mauritania
· .ms – Montserrat *
· .mt – Malta
· .mu – Mauritius *
· .mv – Maladewa
· .mw – Malawi *
· .mx – Meksiko *
· .my – Malaysia
· .mz – Mozambik

N
· .na – Namibia *
· .nc – Kaledonia Baru
· .ne – Niger
· .nf – Pulau Norfolk *
· .ng – Nigeria
· .ni – Nikaragua
· .nl – Belanda * (ccTLD terdaftar pertama)
· .no – Norwegia
· .np – Nepal
· .nr – Nauru *
· .nu – Niue *
· .nz – Selandia Baru *

O
· .om – Oman

P
· .pa – Panama
· .pe – Peru
· .pf – Polinesia Perancis
· .pg – Papua Nugini
· .ph – Filipina *
· .pk – Pakistan *
· .pl – Polandia *
· .pm – Saint-Pierre dan Miquelon
· .pn – Kepulauan Pitcairn *
· .pr – Puerto Riko *
· .ps – Otoritas Nasional Palestina *
· .pt – Portugal *
· .pw – Palau
· .py – Paraguay

Q
· .qa – Qatar

R
· .re – Réunion
· .ro – Rumania *
· .rs – Serbia
· .ru – Rusia *
· .rw – Rwanda

S
· .sa – Arab Saudi
· .sb – Kepulauan Solomon *
· .sc – Seychelles *
· .sd – Sudan
· .se – Swedia *
· .sg – Singapura
· .sh – Saint Helena *
· .si – Slovenia
· .sj – Svalbard dan Jan Mayen (tidak dipakai; tidak terdaftar)
· .sk – Slowakia
· .sl – Sierra Leone
· .sm – San Marino *
· .sn – Senegal
· .so – Somalia *
· .sr – Suriname *
· .st – Sao Tome dan Principe *
· .su – Uni Soviet (terdepresiasi; digantikan; kode domain "dipakai untuk pergantian" oleh ISO 3166-1)
· .sv – El Salvador
· .sy – Suriah *
· .sz – Swaziland *

T
· .tc – Kepulauan Turks dan Caicos
· .td – Chad
· .tf – Teritorial Perancis Selatan
· .tg – Togo *
· .th – Thailand
· .tj – Tajikistan *
· .tk – Tokelau *
· .tl – Timor Leste (dulunya .tp) *
· .tm – Turkmenistan *
· .tn – Tunisia
· .to – Tonga *
· .tp – Timor Timur (terdepresiasi – gunakan .tl; kode domain "dipakai untuk pergantian" oleh ISO 3166-1)
· .tr – Turki
· .tt – Trinidad dan Tobago *
· .tv – Tuvalu *
· .tw – Republik Cina (Taiwan) *
· .tz – Tanzania

U
· .ua – Ukraina
· .ug – Uganda *
· .uk – Inggris (kode domain yang "dikhususkan" oleh ISO 3166-1) (lihat pula .gb)
· .us – Amerika Serikat *
· .uy – Uruguay
· .uz – Uzbekistan

V
· .va – Vatikan
· .vc – Saint Vincent dan Grenadines *
· .ve – Venezuela
· .vg – Kepulauan Virgin Britania Raya *
· .vi – Kepulauan Virgin Amerika Serikat
· .vn – Vietnam
· .vu – Vanuatu *

W
· .wf – Wallis dan Futuna
· .ws – Samoa (dulunya Samoa Barat) *

Y
· .ye – Yaman
· .yt – Mayotte
· .yu – Yugoslavia (kemudian berganti nama menjadi Serbia dan Montenegro)
(kode domain secara resmi digantikan oleh .cs (lihat di atas) namun tetap dipakai; kode domain "dipakai untuk pergantian" oleh ISO 3166-1)

Z
· .za – Afrika Selatan *
· .zm – Zambia
· .zw – Zimbabwe

    Dalam nama domain, ada yang disebut dengan alamat IP (Internet Protocol Address atau sering disingkat IP) adalah deretan angka biner antar 32-bit sampai 128-bit yang dipakai sebagai alamat identifikasi untuk tiap komputer host dalam jaringan Internet. Panjang dari angka ini adalah 32-bit (untuk IPv4 atau IP versi 4), dan 128-bit (untuk IPv6 atau IP versi 6) yang menunjukkan alamat dari komputer tersebut pada jaringan Internet berbasisTCP/IP.

    Sistem pengalamatan IP ini terbagi menjadi dua, yakni:
· IP versi 4 (IPv4)
Alamat IP versi 4 (sering disebut dengan Alamat IPv4) adalah sebuah jenis pengalamatan jaringan yang digunakan di dalam protokol jaringan TCP/IP yang menggunakan protokol IP versi 4. Panjang totalnya adalah 32-bit, dan secara teoritis dapat mengalamati hingga 4 miliar host komputer atau lebih tepatnya 4.294.967.296 host di seluruh dunia, jumlah host tersebut didapatkan dari 256 (didapatkan dari 8 bit) dipangkat 4(karena terdapat 4 oktet) sehingga nilai maksimal dari alamt IP versi 4 tersebut adalah 255.255.255.255 dimana nilai dihitung dari nol sehingga nilai nilai host yang dapat ditampung adalah 256x256x256x256=4.294.967.296 host, bila host yang ada di seluruh dunia melebihi kuota tersebut maka dibuatlah IP versi 6 atauIPv6. Contoh alamat IP versi 4 adalah 192.168.0.3.

    Alamat IPv4 terbagi menjadi beberapa jenis, yakni sebagai berikut:

• Alamat Unicast, merupakan alamat IPv4 yang ditentukan untuk sebuah antarmuka jaringan yang dihubungkan ke sebuahInternetwork IP. Alamat unicast digunakan dalam komunikasi point-to-point atau one-to-one.
• Alamat Broadcast, merupakan alamat IPv4 yang didesain agar diproses oleh setiap node IP dalam segmen jaringan yang sama. Alamat broadcast digunakan dalam komunikasi one-to-everyone.
• Alamat Multicast, merupakan alamat IPv4 yang didesain agar diproses oleh satu atau beberapa node dalam segmen jaringan yang sama atau berbeda. Alamat multicast digunakan dalam komunikasi one-to-many.

· IP versi 6 (IPv6)
    Alamat IP versi 6 (sering disebut sebagai alamat IPv6) adalah sebuah jenis pengalamatan jaringan yang digunakan di dalam protokol jaringan TCP/IP yang menggunakan protokol Internet versi 6. Panjang totalnya adalah 128-bit, dan secara teoritis dapat mengalamati hingga 2128=3,4 x 1038 host komputer di seluruh dunia. Contoh alamat IPv6 adalah 21da:00d3:0000:2f3b:02aa:00ff:fe28:9c5a.
    Berbeda dengan IPv4 yang hanya memiliki panjang 32-bit (jumlah total alamat yang dapat dicapainya mencapai 4,294,967,296 alamat), alamat IPv6 memiliki panjang 128-bit. IPv4, meskipun total alamatnya mencapai 4 miliar, pada kenyataannya tidak sampai 4 miliar alamat, karena ada beberapa limitasi, sehingga implementasinya saat ini hanya mencapai beberapa ratus juta saja. IPv6, yang memiliki panjang 128-bit, memiliki total alamat yang mungkin hingga 2128=3,4 x 1038 alamat. Total alamat yang sangat besar ini bertujuan untuk menyediakan ruang alamat yang tidak akan habis (hingga beberapa masa ke depan), dan membentuk infrastruktur routing yang disusun secara hierarkis, sehingga mengurangi kompleksitas proses routing dan tabel routing.
    Sama seperti halnya IPv4, IPv6 juga mengizinkan adanya DHCPv6 Server sebagai pengelola alamat. Jika dalam IPv4 terdapat dynamic address dan static address, maka dalam IPv6, konfigurasi alamat dengan menggunakan DHCP Server dinamakan dengan stateful address configuration, sementara jika konfigurasi alamat IPv6 tanpa DHCP Server dinamakan dengan stateless address configuration.
    Seperti halnya IPv4 yang menggunakan bit-bit pada tingkat tinggi (high-order bit) sebagai alamat jaringan sementara bit-bit pada tingkat rendah (low-order bit) sebagai alamat host, dalam IPv6 juga terjadi hal serupa. Dalam IPv6, bit-bit pada tingkat tinggi akan digunakan sebagai tanda pengenal jenis alamat IPv6, yang disebut dengan Format Prefix (FP). Dalam IPv6, tidak ada subnet mask, yang ada hanyalah Format Prefix.
    IPv6 mendukung beberapa jenis format prefix, yakni sebagai berikut:

• Alamat Unicast, yang menyediakan komunikasi secara point-to-point, secara langsung antara dua host dalam sebuah jaringan.
• Alamat Multicast, yang menyediakan metode untuk mengirimkan sebuah paket data ke banyak host yang berada dalam group yang sama. Alamat ini digunakan dalam komunikasi one-to-many.
• Alamat Anycast, yang menyediakan metode penyampaian paket data kepada anggota terdekat dari sebuah group. Alamat ini digunakan dalam komunikasi one-to-one-of-many. Alamat ini juga digunakan hanya sebagai alamat tujuan (destination address) dan diberikan hanya kepada router, bukan kepada host-host biasa.

Jika dilihat dari cakupan alamatnya, alamat unicast dan anycast terbagi menjadi alamat-alamat berikut:

• Link-Local, merupakan sebuah jenis alamat yang mengizinkan sebuah komputer agar dapat berkomunikasi dengan komputer lainnya dalam satu subnet.
• Site-Local, merupakan sebuah jenis alamat yang mengizinkan sebuah komputer agar dapat berkomunikasi dengan komputer lainnya dalam sebuah intranet.
• Global Address, merupakan sebuah jenis alamat yang mengizinkan sebuah komputer agar dapat berkomunikasi dengan komputer lainnya dalam Internet berbasis IPv6.

Sementara itu, cakupan alamat multicast dimasukkan ke dalam struktur alamat.

Sumber:
http://id.wikipedia.org/wiki/Nama_domain
http://www.duniamaya.web.id/pengertian-domain.html
http://id.wikipedia.org/wiki/Alamat_IP
http://id.wikipedia.org/wiki/Alamat_IP_versi_4
http://id.wikipedia.org/wiki/Alamat_IP_versi_6