Dampak Celah Keamanan PHP2Shell terhadap OJS 2 dan OJS 3

Diumumkannya dua celah keamanan PHP2Shell pada 21 Oktober 2026, membuat kekhawatian beberapa pihak, termasuk pengelola jurnal ilmiah yang menggunakan Open Journal Systems (OJS), Karena aplikasi yang dikembangkan oleh Public Knowledge Project (PKP) ini menggunakan PHP.

Oleh karena itu, Public Knowledge Project (2026) turut memberikan respon melalui PKP Community Forum, bahwa PHP2Shell merupakan kerentanan pada PHP, bukan pada kode OJS.

PHP adalah bahasa pemrograman yang digunakan untuk menjalankan berbagai fungsi OJS. Oleh karena itu, meskipun kerentanan PHP2Shell tidak ditemukan pada kode OJS, website jurnal tetap berpotensi terdampak apabila menggunakan PHP yang rentan. Perbaikannya perlu dilakukan pada tingkat server dengan memperbarui PHP atau memasang patch keamanan, bukan hanya dengan memperbarui aplikasi OJS (PHP Group, 2026; Public Knowledge Project, 2026).

Bagaimana PHP2Shell Mempengaruhi OJS?

Dalam laporan Wiz Research, Tzadik et al. (2026) menjelaskan bahwa PHP2Shell memanfaatkan kelemahan pada inti PHP yang dalam kondisi tertentu memungkinkan penyerang menjalankan kode dari jarak jauh tanpa autentikasi (remote code execution atau RCE).

Karena OJS dijalankan menggunakan PHP, instalasi OJS dapat menghadapi risiko tersebut apabila lingkungan PHP yang digunakan belum menerima perbaikan keamanan.

Pada Gambar 1 terlihat hubungan OJS 2 dan OJS 3 dengan PHP pada lingkungan server. Kerentanan PHP2Shell berada pada komponen PHP yang digunakan untuk menjalankan aplikasi, bukan pada kode OJS itu sendiri.

Gambar 1. Hubungan OJS dengan PHP dalam lingkungan server (Ilustrasi berdasarkan informasi PHP Group dan Public Knowledge Project)

Catatan: Kerentanan PHP2Shell berada pada komponen PHP yang digunakan untuk menjalankan aplikasi, bukan pada kode OJS itu sendiri

Perbedaan Kondisi OJS 2 dan OJS 3

Berdasarkan dokumen Security Policy pada repositori resmi PKP, dukungan terhadap OJS 2.x telah berakhir pada 2021. Sementara itu, OJS 3.0, 3.1, dan 3.2 juga telah melewati masa dukungan. Cabang OJS 3 yang lebih baru memiliki kebijakan pemeliharaan yang berbeda (Public Knowledge Project).

Kondisi tersebut perlu jadi perhatian terutama pada website jurnal yang masih menggunakan OJS dan PHP versi lama. Tabel 1 merangkum perbedaan kondisi OJS 2 dan OJS 3 dalam kaitannya dengan PHP2Shell.

Tabel 1 Perbandingan kondisi OJS 2 dan OJS 3 terkait PHP2Shell

Aspek	OJS 2	OJS 3
Potensi terdampak PHP2Shell	Ada	Ada
Kerentanan berasal dari kode OJS	Tidak	Tidak
Status dukungan	Berakhir	Bergantung pada versi
Pembaruan PHP	Perlu memperhatikan kompatibilitas	Perlu memperhatikan kompatibilitas
Penanganan utama	Patch PHP dan rencana migrasi OJS	Patch PHP dan pembaruan OJS bila diperlukan

 Sumber: Perbandingan disusun berdasarkan informasi PHP Group dan Public Knowledge Project

Meski demikian (Tabel 1), penggunaan OJS 2 atau OJS 3 tidak otomatis menunjukkan bahwa website dapat dieksploitasi. Risiko yang dihadapi tetap bergantung pada versi PHP, konfigurasi server, dan status patch keamanan.

Apakah Data Jurnal Dapat Terancam?

Tzadik et al. (2026) melaporkan bahwa eksploitasi PHP2Shell pada lingkungan tertentu dapat memungkinkan penyerang menjalankan kode pada server atau memperoleh informasi sensitif dari memori proses PHP.

Apabila eksploitasi serupa berhasil pada server OJS, informasi konfigurasi aplikasi, kredensial database, dan berkas jurnal yang dapat diakses oleh proses PHP berpotensi ikut terancam.

Namun begitu, potensi tersebut merupakan analisis berdasarkan karakteristik kerentanan PHP2Shell, bukan bukti bahwa instalasi OJS tertentu telah mengalami kebocoran data.

Apa yang Perlu Dilakukan Pengelola OJS?

Dalam pemberitahuannya, Public Knowledge Project (2026) menganjurkan pengelola jurnal yang menggunakan hosting mandiri untuk berkoordinasi dengan penyedia hosting agar memastikan pembaruan keamanan PHP telah diterapkan.

Beberapa penyedia hosting juga ambil langkah cepat dalam merespon hal ini, untuk menenangkan pelanggan, dengan cara memberikan pemberitahuan, “Bahwa hosting telah menerapkan perbaikan tersebut ke seluruh layanan hosting guna lapisan perlindungan tambahan” seperti yang terlihat pada Gambar 2.

Gambar 2, Pengumuman Pembaruan Kerentanan PHP yang baru

PHP Group (2026) menyediakan perbaikan melalui PHP 8.2.35, 8.3.36, 8.4.27, dan 8.5.12. Untuk instalasi yang menggunakan PHP lebih lama. Pastikan melakukan kompatibilitas sebelum memperbarui PHP, terutama jika masih menggunakan OJS versi lama.

Oleh karena itu, penanganan PHP2Shell pada OJS tidak cukup dilakukan hanya dengan memperbarui aplikasi. Pemeriksaan dan perbaikan PHP pada server tetap menjadi langkah utama.

Daftar Pustaka

PHP Group. (2026). Security advisory: Critical remote code execution vulnerabilities, update now. https://www.php.net/archive/2026.php

Public Knowledge Project. (n.d.). Security policy. GitHub. https://github.com/pkp/ojs/blob/main/SECURITY.md

Public Knowledge Project. (2026). PKP websites downtime / PHP emergency security fixes, October 21, 2026. PKP Community Forum. https://forum.pkp.sfu.ca/t/pkp-websites-downtime-php-emergency-security-fixes-october-21-2026/98976

Tzadik, S., Tamari, S., Ohfeld, N., & Schwartz, T. (2026). PHP2Shell: AI uncovers critical RCE vulnerabilities affecting 70% of the Internet. Wiz. https://www.wiz.io/blog/php2shell-php-rce

Read More

Mengenal PHP2Shell dan Celah Keamanan pada PHP

Melalui situs resminya, PHP Group (2026) mengumumkan dua celah keamanan pada 21 Oktober 2026, yaitu CVE-2026-109618 dan CVE-2026-109619. Keduanya berkaitan dengan kelemahan pengelolaan memori pada PHP yang dalam kondisi tertentu dapat dimanfaatkan untuk menjalankan kode dari jarak jauh tanpa autentikasi (remote code execution atau RCE). Tim pengembang juga telah menyediakan pembaruan keamanan dan meminta pengguna segera memperbarui instalasi PHP.

Apa itu PHP2Shell?

PHP2Shell merupakan nama yang digunakan untuk menyebut eksploitasi terhadap dua kerentanan tersebut. PHP sendiri adalah bahasa pemrograman yang digunakan untuk menjalankan berbagai website dan aplikasi web, termasuk WordPress, Joomla, dan Open Journal Systems (OJS).

Dalam laporan Wiz Research, Tzadik et al. (2026) menjelaskan bahwa PHP2Shell dapat memungkinkan penyerang menjalankan kode pada server tanpa harus memiliki akun pengguna. Kerentanan tersebut berada pada inti PHP, bukan pada kode aplikasi tertentu.

Website yang menggunakan PHP dengan versi rentan berpotensi terdampak meskipun aplikasi yang dijalankan berbeda. Namun, tidak semua website berbasis PHP otomatis dapat dieksploitasi karena risiko tersebut juga bergantung pada versi PHP dan konfigurasi server.

Pada Gambar 1 memperlihatkan hubungan antara web server, PHP, dan aplikasi berbasis PHP. Kerentanan PHP2Shell berada pada komponen PHP, sehingga berpotensi memengaruhi berbagai aplikasi yang menggunakan lingkungan PHP yang rentan.

Gambar 1. Hubungan web server, PHP, dan aplikasi berbasis PHP

Penemuan dan Pembaruan Keamanan

Menurut laporan Tzadik et al. (2026), Wiz Research menemukan kelemahan PHP2Shell melalui penelitian keamanan yang memanfaatkan bantuan kecerdasan buatan. Tim peneliti kemudian mendemonstrasikan kemungkinan eksploitasi pada lingkungan WordPress, Drupal, dan Joomla.

Berdasarkan temuan tersebut, PHP Group (2026) menyediakan pembaruan keamanan pada 21 Oktober 2026 melalui beberapa versi seperti yang terlihat pada Tabel 1.

Tabel 1. Versi PHP yang Mendapatkan Perbaikan Keamanan PHP2Shell

Cabang PHP	Versi Perbaikan
PHP 8.2	8.2.35
PHP 8.3	8.3.36
PHP 8.4	8.4.27
PHP 8.5	8.5.12

 Untuk PHP versi lama, status perbaikan perlu dikonfirmasi kepada penyedia hosting. Sebagian vendor menyediakan patch melalui mekanisme backport, yaitu penerapan perbaikan keamanan tanpa harus mengganti versi utama PHP (PHP Group, 2026).

Apa yang Perlu Dilakukan?

PHP Group (2026) menekankan pentingnya pembaruan PHP karena penyesuaian konfigurasi server tidak dapat sepenuhnya menggantikan patch keamanan. Administrator website perlu memeriksa versi PHP yang digunakan dan memastikan pembaruan telah diterapkan.

Bagi pengguna shared hosting, pemeriksaan dapat dilakukan melalui panel hosting dan konfirmasi kepada penyedia layanan. Langkah ini penting karena keamanan website tidak hanya bergantung pada aplikasi, tetapi juga pada lingkungan PHP yang menjalankannya.

Daftar Pustaka

PHP Group. (2026, October 21). Security advisory: Critical remote code execution vulnerabilities, update now. https://www.php.net/archive/2026.php

Tzadik, S., Tamari, S., Ohfeld, N., & Schwartz, T. (2026, October 21). PHP2Shell: AI uncovers critical RCE vulnerabilities affecting 70% of the Internet. Wiz. https://www.wiz.io/blog/php2shell-php-rce

Read More

Perbedaan Supervised dan Unsupervised Learning

Dalam Machine Learning, perbedaan utama supervised learning dan unsupervised learning dilihat dari ada atau tidaknya label target pada data pelatihan. Keduanya digunakan untuk tujuan analisis yang berbeda (Bishop, 2006; Sarker, 2021).

Supervised Learning

Supervised learning menggunakan data dengan label atau target yang diketahui untuk mempelajari hubungan antara fitur dan hasil. Contohnya, model dilatih menggunakan email berlabel “spam” dan “bukan spam” agar dapat memprediksi kategori pesan baru. Tugas utamanya meliputi klasifikasi (kategori) dan regresi (nilai numerik) (Hastie et al., 2009).

Unsupervised Learning

Unsupervised learning mempelajari pola atau struktur data tanpa label target. Sebagai contoh, data transaksi dapat digunakan untuk mengelompokkan pelanggan berdasarkan kebiasaan belanja. Clustering merupakan salah satu tekniknya (Jain, 2010); teknik lain adalah dimensionality reduction untuk menyederhanakan representasi data (Hastie et al., 2009).

Perbedaan Kedua Pendekatan

Pada Gambar 1 menunjukkan perbedaan mendasarnya: supervised learning mempelajari hubungan data dan label untuk menghasilkan prediksi, sedangkan contoh unsupervised learning pada gambar memperlihatkan pencarian kelompok tanpa label target.

Gambar 1. Ilustrasi perbedaan supervised learning dan unsupervised learning berdasarkan penggunaan label dalam proses pembelajaran

 Perbedaan kedua pendekatan tersebut dapat dirangkum berdasarkan jenis data, tujuan pembelajaran, tugas yang diselesaikan, dan algoritma yang digunakan. Ringkasannya disajikan pada Tabel 1.

 Tabel 1. Perbandingan karakteristik supervised learning dan unsupervised learning.

Aspek	Supervised	Unsupervised
Data	Berlabel target	Tanpa label target
Tujuan	Memprediksi kategori atau nilai	Menemukan pola atau struktur
Contoh	Klasifikasi email spam	Pengelompokan pelanggan
Metode	Decision Tree, Random Forest	K-Means, PCA

Kapan Digunakan?

Jika tujuannya memprediksi kelulusan berdasarkan contoh data yang sudah memiliki status kelulusan, supervised learning dapat digunakan. Jika tujuannya mencari kelompok mahasiswa berdasarkan kemiripan pola belajar tanpa kategori awal, unsupervised learning lebih relevan. Pilihan metode tetap bergantung pada tujuan dan karakteristik data (Sarker, 2021).

Referensi

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7

Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651–666. https://doi.org/10.1016/j.patrec.2009.09.011

Sarker, I. H. (2021). Machine learning: Algorithms, real-world applications and research directions. SN Computer Science, 2, Article 160. https://doi.org/10.1007/s42979-021-00592-x

Read More

Apa Itu Machine Learning? Pengertian dan Contoh Penerapannya

Machine Learning (ML) merupakan salah satu bidang dalam kecerdasan buatan (Artificial Intelligence) disingkat AI, yang memungkinkan komputer mempelajari pola dari data untuk menghasilkan prediksi atau membantu pengambilan keputusan. Penerapannya dapat ditemukan pada berbagai layanan digital, seperti filter email spam, dan pengenalan objek pada gambar.

Dalam pengembangan model, data digunakan untuk mempelajari hubungan atau pola yang berkaitan dengan tugas tertentu. Setelah model dilatih, hasilnya perlu dievaluasi menggunakan data yang tidak digunakan untuk melatih model. Evaluasi tersebut membantu memberikan gambaran mengenai kemampuan model ketika menghadapi data baru (James et al., 2021).

Dalam pemrograman berbasis aturan, kita menulis ketentuan yang harus diikuti program. Misalnya, sebuah aplikasi memberi tanda pada pesan yang mengandung frasa tertentu. Pendekatan ini mudah dipahami, tetapi aturan yang ditulis satu per satu dapat sulit dipelihara ketika variasi pesan semakin banyak.

Pada ML, program tidak harus menerima daftar aturan untuk setiap kemungkinan. Algoritma menggunakan contoh data guna mempelajari pola yang membantu menghasilkan prediksi. Menurut Mitchell (1997), pembelajaran mesin melalui tiga unsur, yaitu pengalaman (experience), tugas (task), dan ukuran kinerja (performance measure). Definisi itu mengingatkan bahwa “belajar” perlu dinilai dari perubahan kemampuan sistem menjalankan tugas, bukan sekadar dari banyaknya data yang dibaca.

Penggunaan ML sehari-hari

Penyaring spam merupakan contoh yang cukup mudah. Layanan email berusaha memperkirakan apakah pesan baru termasuk spam berdasarkan informasi yang tersedia. Kesalahan tetap mungkin terjadi: pesan biasa bisa salah masuk folder spam, atau sebaliknya.

Pada layanan video dan musik, sistem rekomendasi membantu memilih konten yang relevan berdasarkan sejumlah sinyal, seperti riwayat interaksi. Rekomendasi tersebut bukan kepastian bahwa seseorang akan menyukai konten yang disarankan.

Pengenalan objek pada foto merupakan contoh lain. Sebuah model dapat dilatih menggunakan contoh gambar yang diberi kategori. Ketika menerima gambar baru, model menghasilkan prediksi kategori. Jika kualitas gambar berubah atau contoh pelatihannya kurang mewakili kondisi sebenarnya, hasil prediksi juga dapat berubah.

Lalu bagaimana model dibuat?

Proses pengembangan ML tidak selalu sama untuk setiap kasus. Secara umum, prosesnya mencakup penentuan tujuan, pengumpulan dan pemeriksaan data, pelatihan model, serta evaluasi hasil. Setelah digunakan, kinerja model juga perlu dipantau karena karakteristik data dapat berubah.

Materi Machine Learning Crash Course dari Google for Developers (n.d.) juga membahas berbagai konsep yang mendasari proses tersebut, mulai dari pengolahan data hingga pelatihan dan evaluasi model.

Gambar 1. Ilustrasi ringkas alur pengembangan model; tahapanya dapat berulang.

Pada Gambar 1 memperlihatkan alur sederhana pengembangan model ML, mulai dari penyiapan data, pelatihan, pengujian, hingga penggunaan model untuk menghasilkan prediksi. Alur tersebut merupakan ilustrasi umum; dalam praktiknya, beberapa tahapan dapat dilakukan kembali apabila hasil evaluasi belum sesuai dengan kebutuhan.

Machine Learning dan Artificial Intelligence

Artificial Intelligence (AI) merupakan bidang yang lebih luas. Machine Learning adalah salah satu pendekatan yang digunakan di dalamnya. Karena itu, tidak semua sistem yang disebut AI dibangun dengan pembelajaran mesin; sebaliknya, tidak semua pemanfaatan Machine Learning harus tampil sebagai aplikasi percakapan atau sistem yang menyerupai manusia.

Bagi yang baru mulai belajar, hal terpenting bukan menghafal banyak nama algoritma. Cobalah memahami dulu tugas yang ingin diselesaikan, data yang tersedia, dan bagaimana mengetahui bahwa prediksi model layak digunakan.

Rujukan

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning. In Springer Texts in Statistics. Springer US. https://doi.org/10.1007/978-1-0716-1418-1

Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.

Google for Developers. (n.d.). Machine Learning Crash Course. https://developers.google.com/machine-learning/crash-course

Read More

2023 IEEE 7th International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE)

CALL FOR SUBMISSIONS

 

2023 IEEE 7th International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE)

 The conference is organized by Universitas Amikom Purwokerto jointly with the Department of Electrical and Information Engineering, Faculty of Engineering, Universitas Gadjah Mada (DTETI UGM), Indonesia Section Chapter and Universitas Amikom Yogyakarta, Indonesia

The conference will be held online and onsite.

 Conference Page: https://icitisee.amikompurwokerto.ac.id/

 Accepted papers will be submitted for inclusion into IEEE Xplore subject to meeting IEEE Xplore’s scope and quality requirements.

Authors are invited to submit full paper (4-6 pages) in PDF format via EDAS, including references and appendices.

 

 Template Link: IEEE Template Conference

 Submission Page:  https://edas.info/N31079

 

Previous ICITISEE Published in, IEEE Xplore:

2022 6th International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE), url: https://ieeexplore.ieee.org/xpl/conhome/10057587/proceeding

2021 IEEE 5th International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE), url:  https://ieeexplore.ieee.org/xpl/conhome/9655701/proceeding  

2019 4th International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE), url: https://ieeexplore.ieee.org/xpl/conhome/8986693/proceeding

2018 3rd International Conference on Information Technology, Information System and Electrical Engineering (ICITISEE), url: https://ieeexplore.ieee.org/xpl/conhome/8717738/proceeding

2017 2nd International conferences on Information Technology, Information Systems and Electrical Engineering (ICITISEE), url: https://ieeexplore.ieee.org/xpl/conhome/8276203/proceeding

2016 1st International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE), url: https://ieeexplore.ieee.org/xpl/conhome/7786135/proceeding

 

Important Dates:

Paper Submission Deadline    September 24, 2023

Acceptance Notification    October 24,  2023

Camera-ready Manuscript    November 1,  2023

Registration  Deadline  November 10, 2023      

Conference Date    November 29-30, 2023

 

Read More

SINTA, Dilema Discontinue dan Turun Peringkat

Belum lama ini jagat perjurnalan nasional dihebohkan dengan Pencabutan Status Akreditasi jurnal nasional, berdasarkan Surat Keputusan Direktur Jenderal Pendidikan Tinggi, Riset, dan Teknologi Nomor 138/E/KPT/2022, terdapat dua jurnal yang status Akreditasinya dicabut yang terdiri dari 1 jurnal peringkat SINTA 3 dan 1 jurnal dari peringkat SINTA 4, jika dicek pada laman SINTA dan PDII LIPI kedua jurnal ini dari penerbit yang sama. Terkait alasan kenapa status akreditasi jurnal dicabut tidak dijelaskan pada SK tersebut. Namun jika dilihat data dari salah satu jurnal yang dicabut, ada hal yang cukup mencolok yaitu  jumlah artikel yang diterbitkan, dari Article Per Year (5 Year) pada Portal Garuda, peningkatan jumlah artikel sangat signifikan pada 3 tahun terkahir: Tahun 2020 (413 Artikel), Tahun 2021 (1414 Artikel), puncaknya pada Tahun 2022 (1828 Artikel), seperti yang terlihat pada gambar 1.

Gambar 1. Article Per Year (5 Year) salah satu Jurnal yang di Discontinue (Sumber Portal Garuda)

Tidak sampai pada discontinue jurnal di SINTA, Direktur Jenderal Pendidikan Tinggi, Riset, dan Teknologi melalui Surat Keputusan Nomor 127/E/KPT/2022, juga melakukan Penurunan Peringkat Akreditasi pada salah satu jurnal nasional yang terindeks SINTA 3 menjadi SINTA 4, tidak ada penjelasan detail terkait alasan penurunan peringkat jurnal di SK tersebut. Pada dasarnya penurunan peringkat akreditasi merupakan hal yang lumrah terjadi, namun biasanya penurunan peringkat akreditasi dilakukan setelah jurnal mengajukan evaluasi sebelum masa akreditasi habis, yang dilakukan pada Periode yang sudah ditetapkan untuk semua jurnal, tidak seperti yang terjadi baru-baru ini, diinformasikan dengan tersendiri.

Terlepas dari persoalan Discontinue dan Turun Peringkat, sebenarnya Direktur Jenderal Pendidikan Tinggi, Riset, dan Teknologi  melalui Tim Arjuna sudah sejak lama menyampaikan akan adanya evaluasi berkala yang dilakukan diluar proses akreditasi periodik, untuk menjaga konsistensi dan kualitas terbitan, sehingga hal ini bisa kita jadikan sebagai pengingat bagi pengelola jurnal maupun pihak terkait, bahwa akreditasi jurnal bukanlah hal permanen, sehingga tetap harus menjaga kualitas tata kelola yang baik sehingga menghasilkan terbitan yang berkualitas juga.

Read More

Profil Publon pindah ke Web of Science

Publon merupakan platform gratis yang menampilkan data kontribusi peer review pada komunitas akademik, disamping itu Publon juga membantu jurnal menemukan profil reviewer yang dapat berkolaborasi dengan pengelola jurnal. Integrasi penuh dari database Publons di Web of Science (WoS) dilakukan sejak Publon diakuisisi oleh Clarivate Analytics. Dilansir dari situs publon proses memindahkan profil Publons ke Web of Science pada tanggal 18 Agustus 2022.

Fitur baru:

· Dapat mengelola profil dan mengedit detail infoemasi dengan mudah hanya dari satu platform.
· Author akan menerima peringatan otomatis, ketika ada yang mengutip publikasi dari profil kita yang diindeks oleh Web of Science (fitur ini mirip dengan yang dimiliki google scholar.
· Profil author akan terlihat dalam database yang digunakan oleh 15 juta orang di lebih dari 9.000 institusi di seluruh dunia.

Tampilan ketika kita mengakses akun publon sekarang dapat dilihat pada Gambar 1. Terlihat ada notifikasi bahwa Publons sudah bergabung dengan Web of Science dan halaman akan diarahkan ke situs Web of Science dalam hitungan detik.

Gambar 1. Halaman Dashboard Author pada Publon

 Tampilan Profil baru author pada WoS dapat dilihat pada gambar 2.

Gambar 2. Halaman Author baru Pada situs Wos

 

Read More