Pernahkah Anda membayangkan bisa ngobrol langsung dengan semua dokumen Anda? Bertanya apapun, dan langsung mendapat jawaban yang relevan dari tumpukan file PDF, HTML, atau bahkan Excel yang Anda miliki? Perkenalkan **Kotaemon: Open-source RAG UI**, sebuah proyek yang dibuat untuk mewujudkan hal tersebut. Ini adalah antarmuka pengguna RAG (Retrieval Augmented Generation) yang bersih dan bisa disesuaikan, dirancang untuk berinteraksi dengan dokumen Anda, baik untuk pengguna biasa maupun pengembang.

### Apa Itu Kotaemon?

Pada dasarnya, Kotaemon adalah UI RAG fungsional. Artinya, ia memungkinkan Anda melakukan Tanya Jawab (QA) langsung pada dokumen Anda. Namun, lebih dari itu, proyek ini juga menyediakan kerangka kerja bagi para pengembang yang ingin membangun pipeline RAG mereka sendiri.

Ada tiga jenis peran utama yang diakomodasi oleh Kotaemon:

*   **Pengguna Akhir**: Ini adalah Anda yang ingin memakai aplikasi seperti yang ada di demo, untuk bertanya ke dokumen.
*   **Pengembang**: Anda yang membangun sesuatu menggunakan `kotaemon`, mungkin dengan `import kotaemon` di proyek Anda.
*   **Kontributor**: Anda yang membantu membuat `kotaemon` lebih baik dengan mengirimkan *pull request* ke repositori proyek.

### Fitur Utama untuk Pengguna Akhir

Bagi Anda yang hanya ingin langsung pakai, Kotaemon menawarkan beberapa keunggulan:

*   **UI Bersih & Minimalis**: Antarmuka yang ramah pengguna untuk QA berbasis RAG.
*   **Dukungan Berbagai LLM**: Kompatibel dengan penyedia API LLM populer seperti OpenAI, AzureOpenAI, Cohere, serta LLM lokal melalui Ollama dan `llama-cpp-python`.
*   **Instalasi Mudah**: Tersedia skrip sederhana untuk memulai dengan cepat.

### Fitur Utama untuk Pengembang

Jika Anda seorang pengembang yang ingin lebih dalam bereksperimen, Kotaemon juga punya banyak tawaran:

*   **Framework untuk Pipeline RAG**: Alat untuk membangun pipeline QA dokumen berbasis RAG Anda sendiri.
*   **UI yang Dapat Disesuaikan**: Anda bisa melihat pipeline RAG Anda beraksi dengan UI yang sudah disediakan, dibangun menggunakan Gradio.
*   **Tema Gradio**: Jika Anda mengembangkan dengan Gradio, ada juga tema `kotaemon-gradio-theme` yang bisa Anda coba.

### Daftar Fitur Unggulan Kotaemon

Selain fitur spesifik di atas, Kotaemon juga menyajikan beberapa kapabilitas inti yang patut Anda ketahui:

*   **Host Web-UI QA Dokumen (RAG) Anda Sendiri**: Mendukung *multi-user login*, mengatur file dalam koleksi pribadi atau publik, serta berkolaborasi dan berbagi *chat* favorit Anda.
*   **Organisasi Model LLM & Embedding**: Mendukung LLM lokal dan penyedia API populer seperti OpenAI, Azure, Ollama, dan Groq.
*   **Pipeline RAG Hibrida**: Menggunakan pipeline RAG *default* dengan *retriever* hibrida (pencarian teks penuh dan vektor) serta *re-ranking* untuk memastikan kualitas pengambilan yang terbaik.
*   **Dukungan QA Multi-modal**: Melakukan Tanya Jawab pada beberapa dokumen dengan dukungan angka dan tabel. Mendukung *parsing* dokumen multi-modal (opsi dapat dipilih di UI).
*   **Citations Lanjutan dengan Pratinjau Dokumen**: Sistem menyediakan *citation* detail untuk memastikan kebenaran jawaban LLM. Anda dapat melihat *citation* beserta skor relevansinya langsung di penampil PDF dalam browser dengan *highlight*. Ada juga peringatan jika pipeline *retrieval* mengembalikan artikel yang kurang relevan.
*   **Dukungan Metode Penalaran Kompleks**: Menggunakan dekomposisi pertanyaan untuk menjawab pertanyaan kompleks atau *multi-hop*. Mendukung penalaran berbasis agen dengan ReAct, ReWOO, dan agen lainnya.
*   **UI Pengaturan yang Dapat Dikonfigurasi**: Anda bisa mengatur sebagian besar aspek penting dari proses *retrieval* dan *generation* langsung di UI, termasuk *prompt*.
*   **Ekstensibel**: Dibangun di atas Gradio, Anda bebas menyesuaikan atau menambahkan elemen UI sesuka Anda. Kotaemon juga bertujuan untuk mendukung berbagai strategi untuk pengindeksan dan *retrieval* dokumen. Pipeline pengindeksan GraphRAG disediakan sebagai contoh.

### Panduan Instalasi Singkat

Untuk pengguna yang bukan pengembang dan hanya ingin memakai aplikasi, Anda bisa melihat User Guide untuk langkah-langkah yang lebih mudah. Unduh file .zip dari rilis terbaru untuk mendapatkan semua fitur dan perbaikan bug.

Berikut adalah persyaratan sistem dasar untuk menjalankan Kotaemon:

| Persyaratan Sistem  | Detail                                                                  |
| :------------------ | :---------------------------------------------------------------------- |
| **Python**          | `>= 3.10`                                                               |
| **Docker**          | Opsional, jika Anda memilih instalasi via Docker.                       |
| **Unstructured**    | Opsional, jika Anda ingin memproses file selain `.pdf`, `.html`, `.mhtml`, dan `.xlsx` (mis. `.doc`, `.docx`). Instalasi bervariasi per OS. |

#### Dengan Docker (Direkomendasikan)

Kotaemon mendukung versi Docker `lite` dan `full`. Versi `full` akan menginstal paket tambahan `unstructured` untuk mendukung tipe file seperti .doc atau .docx, namun ukuran citra Docker akan lebih besar. Untuk sebagian besar pengguna, citra `lite` sudah cukup.

Untuk menggunakan versi `full`:
```bash
docker run \
-e GRADIO_SERVER_NAME=0.0.0.0 \
-e GRADIO_SERVER_PORT=7860 \
-v ./ktem_app_data:/app/ktem_app_data \
-p 7860:7860 -it --rm \
ghcr.io/cinnamon/kotaemon:main-full
```

Untuk versi `full` dengan Ollama terintegrasi (untuk RAG lokal atau privat):
```bash
docker run \
<...> \
ghcr.io/cinnamon/kotaemon:main-ollama
```

Untuk versi `lite`:
```bash
docker run \
<...> \
ghcr.io/cinnamon/kotaemon:main-lite
```

Anda dapat menentukan platform dengan ` --platform linux/arm64` jika diperlukan, misalnya untuk Mac terbaru. Setelah semua siap, kunjungi `http://localhost:7860/` untuk mengakses WebUI.

#### Tanpa Docker

Jika Anda memilih untuk tidak menggunakan Docker, ikuti langkah-langkah ini:

1.  *Clone* repositori:
    ```bash
    git clone https://github.com/Cinnamon/kotaemon
    cd kotaemon
    ```
2.  Siapkan lingkungan (pilih salah satu opsi):
    *   **Opsi 1: Menggunakan `uv` (Direkomendasikan)**
        ```bash
        uv sync --python 3.10
        source .venv/bin/activate
        ```
    *   **Opsi 2: Menggunakan `conda`**
        ```bash
        conda create -n kotaemon python=3.10
        conda activate kotaemon
        pip install -e "libs/kotaemon[all]"
        pip install -e "libs/ktem"
        ```
3.  Buat file `.env` di *root* proyek. Anda bisa menggunakan `.env.example` sebagai templat. File ini hanya akan digunakan untuk mengisi database sekali pada saat pertama kali dijalankan.
4.  (Opsional) Untuk mengaktifkan penampil PDF_JS di browser, unduh PDF_JS_DIST lalu ekstrak ke `libs/ktem/ktem/assets/prebuilt`.
5.  Mulai server web:
    ```bash
    python app.py
    ```
Aplikasi akan otomatis terbuka di browser Anda. Nama pengguna dan kata sandi *default* keduanya adalah `admin`. Anda bisa mengatur pengguna tambahan langsung melalui UI. Pastikan juga `api_key` Anda di tab `Resources` dan `LLMs and Embeddings` sudah diatur dengan benar, atau atur di sana.

### Integrasi dan Kustomisasi

Kotaemon sangat fleksibel dalam hal integrasi dengan berbagai teknologi RAG dan kustomisasi.

#### Setup GraphRAG

Perlu diingat, pengindeksan MS GraphRAG resmi hanya berfungsi dengan OpenAI atau Ollama API. Sebagian besar pengguna direkomendasikan untuk menggunakan implementasi NanoGraphRAG untuk integrasi yang lebih mudah.

*   **Setup Nano GraphRAG**:
    ```bash
    pip install nano-graphrag
    # Untuk memperbaiki konflik versi jika ada
    pip uninstall hnswlib chroma-hnswlib && pip install chroma-hnswlib
    ```
    Luncurkan Kotaemon dengan variabel lingkungan `USE_NANO_GRAPHRAG=true`. Atur model LLM & Embedding *default* Anda di pengaturan *Resources*, dan akan dikenali secara otomatis oleh NanoGraphRAG.

*   **Setup LIGHTRAG**:
    ```bash
    pip install git+https://github.com/HKUDS/LightRAG.git
    # Untuk memperbaiki konflik versi jika ada
    pip uninstall hnswlib chroma-hnswlib && pip install chroma-hnswlib
    ```
    Luncurkan Kotaemon dengan variabel lingkungan `USE_LIGHTRAG=true`. Atur model LLM & Embedding *default* Anda di pengaturan *Resources*, dan akan dikenali secara otomatis oleh LIGHTRAG.

*   **Setup MS GraphRAG**:
    Untuk instalasi non-Docker, instal GraphRAG dengan:
    ```bash
    pip install "graphrag<=0.3.6" future
    ```
    Atur variabel lingkungan `GRAPHRAG_API_KEY` (atau di file `.env`). Jika ingin menggunakan model lokal (seperti Ollama) atau kustomisasi pengaturan LLM, atur `USE_CUSTOMIZED_GRAPHRAG_SETTING=true` dan sesuaikan `settings.yaml.example` Anda.

#### Setup Model Lokal (untuk RAG lokal/privat)

Kotaemon mendukung penggunaan model LLM yang berjalan secara lokal di mesin Anda.

*   **Menggunakan Ollama**:
    Instal Ollama dan mulai aplikasinya. Tarik model yang Anda inginkan, misalnya:
    ```bash
    ollama pull llama3.1:8b
    ollama pull nomic-embed-text
    ```
    Kemudian, atur nama model di UI web dan jadikan sebagai *default*.

*   **Menggunakan GGUF dengan `llama-cpp-python`**:
    Anda dapat mencari dan mengunduh LLM dari Hugging Face Hub yang didukung format GGUF. Pilih model yang ukurannya lebih kecil dari memori perangkat Anda, sisakan sekitar 2 GB. Misalnya, jika Anda punya 16 GB RAM dan 12 GB tersedia, pilih model yang maksimal 10 GB. Model yang lebih besar cenderung memberikan *generation* yang lebih baik, namun memakan waktu pemrosesan lebih lama. Contoh model yang direkomendasikan adalah Qwen1.5-1.8B-Chat-GGUF, sekitar 2 GB. Tambahkan model LlamaCpp baru dengan nama model yang disediakan di UI web.

#### Setup Parsing Dokumen Multi-modal (OCR, *table parsing*, *figure extraction*)

Opsi-opsi ini tersedia dan dapat dipilih di `Settings -> Retrieval Settings -> File loader`:

*   Azure Document Intelligence (API)
*   Adobe PDF Extract (API)
*   Docling (lokal, *open-source*)
*   PaddleOCR (lokal, *open-source*)

#### Kustomisasi Aplikasi Anda

Secara *default*, semua data aplikasi disimpan di folder `./ktem_app_data`. Anda bisa mencadangkan atau menyalin folder ini untuk memindahkan instalasi ke mesin baru. Untuk pengguna tingkat lanjut, Anda dapat menyesuaikan file `flowsettings.py` dan `.env`.

**`flowsettings.py`**: File ini berisi konfigurasi aplikasi Anda. Contoh tersedia. Beberapa pengaturan penting:

| Pengaturan                       | Deskripsi                                                                                | Opsi yang Tersedia                                         |
| :------------------------------- | :--------------------------------------------------------------------------------------- | :--------------------------------------------------------- |
| `KH_DOCSTORE`                    | Menyimpan dokumen pilihan Anda dengan kemampuan pencarian teks penuh.                    | `Elasticsearch`, `LanceDB`, `SimpleFileDocumentStore`      |
| `KH_VECTORSTORE`                 | Menyimpan *vectorstore* pilihan Anda untuk pencarian berbasis vektor.                    | `ChromaDB`, `LanceDB`, `InMemory`, `Milvus`, `Qdrant`      |
| `KH_REASONINGS_USE_MULTIMODAL`   | Mengaktifkan/menonaktifkan QA multi-modal.                                               | `True`, `False`                                            |
| `KH_REASONINGS`                  | Menyiapkan pipeline penalaran baru atau memodifikasi yang sudah ada.                     | Daftar pipeline seperti `FullQAPipeline`, `ReactAgentPipeline`, `RewooAgentPipeline` |

**`.env`**: File ini menyediakan cara lain untuk mengonfigurasi model dan kredensial Anda. Anda bisa mengonfigurasi model LLM via file `.env` dengan informasi yang diperlukan untuk menghubungkan ke LLM. Jika Anda tidak melihatnya, Anda bisa membuatnya.

Contoh konfigurasi untuk penyedia yang didukung:

*   **OpenAI**:
    ```dotenv
    OPENAI_API_BASE=https://api.openai.com/v1
    OPENAI_API_KEY=<your OpenAI API key here>
    OPENAI_CHAT_MODEL=gpt-3.5-turbo
    OPENAI_EMBEDDINGS_MODEL=text-embedding-ada-002
    ```

*   **Azure OpenAI**:
    ```dotenv
    AZURE_OPENAI_ENDPOINT=
    AZURE_OPENAI_API_KEY=
    OPENAI_API_VERSION=2024-02-15-preview
    AZURE_OPENAI_CHAT_DEPLOYMENT=gpt-35-turbo
    AZURE_OPENAI_EMBEDDINGS_DEPLOYMENT=text-embedding-ada-002
    ```

### Membangun Pipeline RAG Anda Sendiri

Kotaemon juga memungkinkan Anda memperluas kemampuannya dengan menambahkan pipeline RAG kustom.

*   **Pipeline Penalaran Kustom**:
    Anda bisa melihat implementasi pipeline *default* sebagai referensi. Buat penyesuaian cepat pada cara kerja pipeline QA *default*. Tambahkan implementasi `.py` baru di `libs/ktem/ktem/reasoning/` dan masukkan ke `flowssettings` untuk mengaktifkannya di UI.

*   **Pipeline Pengindeksan Kustom**:
    Implementasi contoh dapat ditemukan di `libs/ktem/ktem/index/file/graph`.

Kotaemon hadir sebagai solusi serbaguna untuk berinteraksi dengan dokumen Anda, baik untuk penggunaan pribadi maupun pengembangan aplikasi RAG tingkat lanjut. Dengan fleksibilitas dan fitur yang ditawarkan, eksplorasi Anda dengan dokumen digital bisa jadi lebih produktif.

## Referensi
https://github.com/Cinnamon/kotaemon

Kotaemon adalah antarmuka pengguna RAG (Retrieval Augmented Generation) open-source yang bersih dan dapat disesuaikan, dirancang untuk berinteraksi dengan dokumen Anda. Platform ini melayani pengguna akhir maupun pengembang yang ingin membangun pipeline RAG mereka sendiri.

Mengintip Kotaemon: UI RAG Open-Source untuk Chat dengan Dokumen Anda

Reggi

Dunia AI sedang heboh, tapi bukan karena inovasi baru. Justru sebaliknya, platform yang seharusnya jadi sarana kolaborasi AI, Hugging Face, kini dimanfaatkan peretas. Ya, **hackers use Hugging Face to distribute malicious models** atau lebih tepatnya, malware. Ini bukan sekadar isu kecil. Sebuah aktor ancaman yang dikaitkan dengan Korea Utara telah mengubah Hugging Face menjadi saluran pengiriman malware tahap kedua dan *backend* eksfiltrasi data *real-time* untuk serangan rantai pasokan npm yang sangat canggih. Targetnya jelas: para pengembang perangkat lunak di seluruh dunia.

## Awal Mula Serangan: Paket npm Menipu

Serangan ini dimulai dengan cara yang terlihat sederhana namun menipu. Paket npm bernama “terminal-logger-utils” muncul, didesain agar terlihat seperti utilitas pengembangan biasa. Siapa sangka, ini adalah pintu masuk ancaman serius. Tiga paket tambahan, "pretty-logger-utils", "ts-logger-pack", dan "pinno-loggers", ikut mengimpor dan menyebarkan perilaku berbahaya ini, menempatkan setiap pengembang yang menginstalnya dalam risiko serius.

Di balik paket-paket polos ini, ada aktor ancaman yang diselidiki oleh peneliti dari OX Security. Mereka berhasil melacak akun "jpeek895" yang bertanggung jawab atas paket-paket berbahaya ini. Akun tersebut bukan wajah baru, sudah pernah ditandai di kmsec.uk karena mengunggah paket npm serupa yang terkait langsung dengan aktivitas Korea Utara (DPRK).

## Ancaman di Balik Kedok: Malware Multi-Fungsi

Malware yang disebarkan ini memiliki kemampuan luar biasa dan berbahaya. Ia mampu mencuri data Telegram, kunci SSH, dompet cryptocurrency, basis data login *browser*, file konfigurasi *cloud*, hingga variabel lingkungan di berbagai *drive*. Yang lebih parah, paket ini menunjukkan perilaku *keylogger*, *infostealer*, dan *remote access trojan* (RAT) sekaligus. Artinya, perangkat lunak ini bisa merekam setiap ketikan Anda, mencuri informasi penting, dan bahkan memberikan kendali penuh kepada penyerang atas mesin Anda.

## Hugging Face, Senjata Tersembunyi untuk Menghindari Deteksi

Apa yang membuat serangan ini begitu mencolok adalah bagaimana penyerang dengan cerdik menggunakan Hugging Face untuk tetap tidak terdeteksi. Bayangkan, daripada mengoperasikan server mencurigakan sendiri untuk pengiriman malware, mereka justru menampung *binary* tahap kedua di platform Hugging Face. Situs ini, yang secara umum dianggap aman dan tepercaya oleh sebagian besar filter keamanan, menjadi jembatan sempurna bagi para peretas.

Data curian juga tidak diunggah ke server asing yang mudah dicurigai. Sebaliknya, data tersebut diunggah ke *dataset* pribadi di Hugging Face. Cara ini membuat aktivitas eksfiltrasi data luput dari pengawasan dan mudah menghindari deteksi. Akun *maintainer* npm yang terhubung dengan paket dependen, yaitu pvnd3540749, yggedd817513, dan jpeek886, masing-masing berperan dalam penyebaran infeksi ini.

## Bagaimana Malware Bekerja: Aspek Teknis

Bagi para *developer*, memahami cara kerja malware ini adalah kunci untuk perlindungan diri. Titik masuk malware ini adalah *hook* `postinstall` yang tertanam dalam file `package.json` paket.

```json
// Contoh tampilan postinstall hook yang berbahaya
{
  "name": "terminal-logger-utils",
  "version": "1.0.0",
  "description": "A development utility.",
  "scripts": {
    "postinstall": "node utils.cjs"
  }
}
```

Ketika seorang *developer* menjalankan `npm install`, *hook* ini secara diam-diam membuka file bernama `utils.cjs`. File ini adalah *malware dropper* yang di-*obfuscate*, bertugas memeriksa sistem operasi korban. Setelah itu, ia mengambil *binary* yang sesuai dari Hugging Face.

*Binary* yang diunduh adalah Node.js Single Executable Application, sebuah file gabungan yang berisi *implant* JavaScript berbahaya secara keseluruhan. Begitu berjalan, *implant* ini terhubung kembali ke server penyerang melalui koneksi WebSocket. Koneksi ini memberikan operator kendali penuh atas mesin, termasuk kemampuan untuk membaca dan menulis file, mengeksekusi perintah *shell*, menangkap tangkapan layar, dan menyuntikkan input.

Secara paralel, sebuah *background loop* juga berjalan saat startup. Ia terus-menerus mencatat penekanan tombol (*keystroke*), memantau *clipboard*, dan mengirim data yang dicuri ke *HTTP endpoint* penyerang. Semua ini terjadi tanpa tanda-tanda yang terlihat oleh pengembang.

## Persistensi dan Pembaruan: Malware yang Sulit Dilenyapkan

Setelah *implant* mendarat di mesin Windows, ia menginstal dirinya di jalur `%LOCALAPPDATA%\MicrosoftSystem64`. Nama direktori ini sengaja dipilih agar menyerupai folder sistem Microsoft yang sah.

Malware ini kemudian mendaftarkan mekanisme persistensi *login* melalui *launcher* VBS tersembunyi dan *scheduled task*. Sebuah *registry Run key* juga disiapkan sebagai cadangan jika metode utama gagal.

Pada jalankan pertamanya, malware juga memeriksa apakah perlu memperbarui dirinya. Caranya dengan menghubungi repositori Hugging Face milik operator. Kemampuan pembaruan otomatis ini berarti penyerang dapat secara diam-diam mengganti atau meningkatkan *implant* tanpa harus menginfeksi ulang korban.

## Lindungi Diri Anda: Langkah-langkah Pencegahan

Bagi para *developer* yang telah menginstal salah satu paket yang disebutkan selama periode aktif serangan, Anda harus berasumsi lingkungan Anda telah dikompromikan dan segera bertindak.

*   **Hapus malware** dari mesin yang terinfeksi.
*   **Blokir semua permintaan jaringan** ke indikator kompromi yang diketahui.
*   **Lakukan rotasi kunci penuh** dan aktifkan otentikasi dua faktor (2FA) di semua akun penting.
*   **Perlakukan setiap *script* `postinstall`** di paket yang tidak dikenal sebagai tidak tepercaya secara *default*.
*   **Utamakan instalasi berbasis *lockfile*** menggunakan `npm ci` di semua lingkungan CI (Continuous Integration) dan *build pipeline*. Ini memastikan dependensi diinstal berdasarkan *lockfile* yang ada, bukan versi terbaru yang mungkin berbahaya.

Serangan ini menunjukkan betapa pentingnya kewaspadaan dalam ekosistem pengembangan modern. Bahkan platform terpercaya pun bisa disalahgunakan.

## Referensi
https://cybersecuritynews.com/hackers-use-hugging-face/

Peretas yang terkait dengan Korea Utara menggunakan platform AI Hugging Face untuk menyebarkan malware tahap kedua dan mencuri data dalam serangan rantai pasokan npm yang canggih. Serangan ini menargetkan pengembang perangkat lunak dengan paket-paket npm berbahaya yang menyamar sebagai utilitas pengembangan.

Mengungkap Modus Baru: Peretas Manfaatkan Hugging Face untuk Distribusi Malware

Solusi praktis integrasi webmail custom ke dalam dashboard Gmail. Kelola, baca, dan kirim email domain pribadi langsung dari satu tempat tanpa ribet gonta-ganti tab.

Mengapa Kamu Masih Buka Dua Tab Terpisah? Panduan Setup Custom Webmail Langsung di Dashboard Gmail

Pelajari efisiensi merakit mesin tetas telur listrik AC otomatis dengan modal murah untuk mendongkrak hasil ternak unggas tanpa repot bolak-balik telur manual.

Otomasi Ternak Unggas: Kenapa Rakit Sendiri Mesin Penetas Telur AC Jauh Lebih Worth It Dibanding Cara Konvensional?

Pelajari bagaimana mesin tetas telur berbasis arus listrik DC bekerja menjaga suhu dan kelembapan ideal untuk mendongkrak keberhasilan penetasan telur unggas.

Mesin Tetas Telur Arus DC: Solusi Hardware Murah Buat Tingkatin Angka Penetasan Unggas

Kupas tuntas seluk-beluk mobil aki anak dengan kontrol ganda dan fitur multimedia. Pahami batas spesifikasi hardware sebelum eksekusi build sendiri.

EV Versi Mini: Membedah Mobil Listrik Aki Lengkap dengan Remote Control dan Fitur Multimedia

Pelajari cara merakit smart power strip berbasis NodeMCU dan Blynk untuk kontrol daya nirkabel serta integrasi IoT yang aman dan efisien.

Mengapa Beli Mahal Kalau Bisa Bikin Sendiri? Rancang Smart Power Strip Berbasis NodeMCU dan Blynk

Solusi tuntas mengatasi bug sistem dan software bermasalah di MacBook dengan panduan install ulang macOS lewat Internet Recovery secara aman.

#pengembang

Getting Lastest Post..

Populer Bulan Ini