Cara Menambah Custom Field di EmDash CMS

Cara Menambah Custom Field di EmDash CMS

Menambahkan custom field ke collection yang sudah punya konten adalah salah satu tugas hari-kedua EmDash yang lebih umum — toggle "featured" baru, field override SEO, rating. Ini mencakup tiga cara buat melakukannya dan apa yang sesungguhnya terjadi di baliknya.

Daftar Isi
  1. Apa Sesungguhnya yang Terjadi Saat Kamu Menambah Field
  2. Opsi 1: Admin UI
  3. Opsi 2: CLI
  4. Opsi 3: REST API Langsung
  5. Memilih Tipe Field yang Tepat
  6. Slug Field yang Dicadangkan yang Tidak Bisa Kamu Pakai
  7. Menghapus Field (Dan Kenapa Itu Tidak Bisa Dibatalkan)
  8. Pertanyaan yang Sering Diajukan
  9. Bisakah saya mengubah tipe field setelah konten sudah ada?
  10. Apakah editor non-teknis bisa tidak sengaja merusak schema?
  11. Apakah menambah field membutuhkan redeploy?
  12. Bagaimana cara saya melihat field apa yang sudah dimiliki collection sebelum menambah lagi?
  13. Kesimpulan

Apa Sesungguhnya yang Terjadi Saat Kamu Menambah Field

Menambahkan field lewat admin UI menjalankan tiga langkah: memasukkan record ke _emdash_fields, menjalankan ALTER TABLE ec_<collection> ADD COLUMN <name> <TYPE>, dan meregenerasi schema Zod yang dipakai buat validasi.

Itu perubahan schema nyata dan live ke kolom database sesungguhnya — bukan JSON blob yang mendapat key baru. Itu juga kenapa tipe field terpetakan ke tipe kolom SQLite spesifik (TEXT, REAL, INTEGER, JSON), dan kenapa operasinya instan: SQLite mendukung penambahan kolom saat runtime tanpa downtime migrasi, dan baris yang sudah ada sederhananya mendapat `NULL` (atau `defaultValue` field itu) buat kolom baru.

Opsi 1: Admin UI

  1. Buka Content Types (schema builder) di admin panel.
  2. Buka collection yang ingin kamu tambahkan field.
  3. Tambah field, pilih tipenya, dan set validasi/opsi sesuai kebutuhan.
  4. Simpan — field-nya live segera, dan editor konten yang sudah ada akan melihatnya di kunjungan berikutnya ke collection itu.
Baca juga:

Opsi 2: CLI

npx emdash schema add-field posts featured --type boolean --required
npx emdash schema add-field posts subtitle --type string --label "Subtitle"
npx emdash schema add-field posts body --type portableText --label "Body Content"
emdashkits.com

Berguna buat men-scripting setup yang bisa diulang, atau buat mengubah schema situs yang sudah di-deploy dari mesinmu tanpa membuka admin UI — perintah `schema` di CLI berbicara ke REST API yang sama yang diekspos instance yang berjalan, jadi mereka bekerja identik terhadap dev lokal atau deployment live (kirim `--url` buat menargetkan situs yang di-deploy).

Opsi 3: REST API Langsung

POST /_emdash/api/schema/collections/posts/fields
Content-Type: application/json

{
  "slug": "rating",
  "label": "Rating",
  "type": "number",
  "required": false,
  "validation": { "min": 1, "max": 5 }
}
emdashkits.com

Kumpulan lengkap endpoint field-management, buat referensi:

GET    /_emdash/api/schema/collections/:slug/fields
POST   /_emdash/api/schema/collections/:slug/fields
PUT    /_emdash/api/schema/collections/:collectionSlug/fields/:fieldSlug
DELETE /_emdash/api/schema/collections/:collectionSlug/fields/:fieldSlug
POST   /_emdash/api/schema/collections/:slug/fields/reorder
emdashkits.com

Endpoint reorder menerima array terurut penuh dari slug field — berguna buat membersihkan layout admin editor collection setelah beberapa field ditempelkan seiring waktu dalam urutan yang kurang ideal:

{ "fieldSlugs": ["title", "content", "author", "publishedAt"] }
emdashkits.com

Memilih Tipe Field yang Tepat

Panduan keputusan cepat buat pertanyaan "tipe mana yang sesungguhnya saya inginkan" yang paling umum:

  • Label atau nama pendek → string, bukan text.
  • Paragraf deskripsi polos → text.
  • Konten berformat kaya dengan heading/link/gambar → portableText.
  • Toggle ya/tidak → boolean, bukan select dengan dua opsi.
  • Kumpulan pilihan tetap, pilih satu → select.
  • Kumpulan pilihan tetap, pilih beberapa → multiSelect.
  • Menghubungkan ke entry collection lain → reference (tambahkan allowMultiple: true di opsi buat relasi many).
  • Data yang sungguh-sungguh tak terstruktur dan dinamis → json, dipakai secukupnya karena tidak punya validasi.

Slug Field yang Dicadangkan yang Tidak Bisa Kamu Pakai

Error spesifik yang mudah tersandung: slug tertentu dicadangkan oleh kolom sistem EmDash sendiri dan akan ditolak kalau kamu mencoba menambah field dengan nama persis itu:

  • id, slug, status, author_id, primary_byline_id
  • created_at, updated_at, published_at, scheduled_at, deleted_at
  • version, live_revision_id, draft_revision_id
  • terms, bylines, byline

Kalau kamu memindahkan field dari platform lain yang kebetulan memakai salah satu nama ini (custom field WordPress yang secara literal bernama "status", misalnya), ganti namanya — `content_status` atau serupa — alih-alih melawan collision-nya.

Menghapus Field (Dan Kenapa Itu Tidak Bisa Dibatalkan)

npx emdash schema remove-field posts legacy_field
emdashkits.com
Menghapus field menghapus kolom dan datanya. Uji perubahan schema terhadap environment preview sebelum menjalankannya terhadap produksi.

Tidak ada undo — kolom dan setiap nilai yang dikandungnya hilang. Kalau ada kemungkinan kamu ingin data itu kembali, ekspor backup (`npx emdash export-seed --with-content posts`) sebelum menghapus field, bukan sesudahnya.

Pertanyaan yang Sering Diajukan

Bisakah saya mengubah tipe field setelah konten sudah ada?

Ya, meski EmDash membangun ulang tabel yang mendasarinya buat melakukannya (buat tabel baru, salin baris, hapus yang lama, ganti nama) karena SQLite tidak mendukung mengubah tipe kolom di tempat. Tinjau nilai yang sudah ada dulu — perubahan tipe yang tidak bisa mengonversi data yang sudah ada dengan bersih (teks bebas jadi daftar `select` yang ketat, misalnya) bisa menghasilkan konflik validasi.

Apakah editor non-teknis bisa tidak sengaja merusak schema?

Cuma pengguna dengan role Admin yang bisa membuat, mengubah, atau menghapus collection dan field — Editor ke bawah bisa memakai field yang sudah ada tapi tidak bisa mengubah schema itu sendiri, jadi editor konten dengan role lebih rendah secara literal tidak bisa melakukan operasi ini secara tidak sengaja.

Apakah menambah field membutuhkan redeploy?

Tidak — itu perubahan database live, efektif segera di admin panel dan di query mana pun yang membaca collection. Tidak ada rebuild atau redeploy yang dibutuhkan, properti "instan" yang sama yang berlaku buat edit konten.

Bagaimana cara saya melihat field apa yang sudah dimiliki collection sebelum menambah lagi?

`npx emdash schema get posts`, atau `GET /_emdash/api/schema/collections/posts?includeFields=true` — keduanya mengembalikan daftar field saat ini dan live alih-alih bergantung pada ingatan atau dokumentasi yang basi.

Kesimpulan

Menambahkan field ke collection EmDash yang sudah ada adalah perubahan schema nyata dan instan yang live — tiga cara setara buat melakukannya (admin UI, CLI, REST API) tergantung apakah kamu ingin form, script, atau kontrol programatik. Perhatikan daftar slug-yang-dicadangkan, dan backup sebelum menghapus field, karena operasi spesifik itu tidak ada undo-nya. Lihat panduan kami yang lebih luas soal mengustomisasi model konten buat membangun collection baru sepenuhnya dari nol.

Bagikan

Komentar

Write a comment

Artikel Terkait

LiteRT.js: Mesin Inferensi AI Web Berperforma Tinggi dari Google, Dijelaskan

LiteRT.js: Mesin Inferensi AI Web Berperforma Tinggi dari Google, Dijelaskan

Kenapa Bisnis Beralih ke Headless CMS di 2026

Kenapa Bisnis Beralih ke Headless CMS di 2026

Apa Itu EmDash CMS? Tinjauan Lengkap

Apa Itu EmDash CMS? Tinjauan Lengkap

LiteRT.js: Mesin Inferensi AI Web Berperforma Tinggi dari Google, Dijelaskan

LiteRT.js: Mesin Inferensi AI Web Berperforma Tinggi dari Google, Dijelaskan

Google telah merilis LiteRT.js, sebuah binding JavaScript dari library inferensi on-device miliknya, LiteRT (dahulu TensorFlow Lite), yang dibuat untuk menjalankan model machine learning dan AI langsung di dalam browser web. Intinya sederhana: mengambil runtime cross-platform yang sudah dioptimalkan, yang sudah menggerakkan AI on-device di Android, iOS, dan desktop, lalu menghadirkannya ke web developer dengan karakteristik performa yang sama — privasi pengguna yang lebih baik, tanpa biaya inferensi server, dan latensi yang cukup rendah untuk pengalaman real-time.

Bagi tim yang sudah menjalankan model .tflite di mobile, LiteRT.js diposisikan sebagai jalur deployment ke web yang lebih mulus dibanding pendekatan kernel-JavaScript milik TensorFlow.js. Bagi yang lain, ini adalah opsi baru untuk membangun fitur AI — text generation, deteksi objek, pemrosesan audio — yang berjalan sepenuhnya di sisi client, tanpa round-trip ke server untuk setiap panggilan inferensi.

Daftar Isi
  1. Apa Bedanya dengan TensorFlow.js
  2. Manfaat LiteRT.js Bagi Web Developer
  3. 1. Konversi PyTorch & Kuantisasi yang Disesuaikan
  4. 2. Akselerasi Hardware Native di CPU, GPU, dan NPU
  5. Performa dan Dampak di Dunia Nyata
  6. Lihat Langsung Aksinya
  7. Deteksi Objek Ultralytics YOLO
  8. Estimasi Kedalaman Monokular
  9. Upscaling Gambar 4x
  10. Memulai dengan LiteRT.js
  11. Selanjutnya Apa

Apa Bedanya dengan TensorFlow.js

Runtime AI web sebelumnya seperti TensorFlow.js mengandalkan kernel berbasis JavaScript, yang meninggalkan cukup banyak performa di atas meja dibanding implementasi native yang spesifik-platform. LiteRT.js sebaliknya mengompilasi runtime native asli milik Google — yang sama persis dipakai di mobile dan desktop — ke WebAssembly, sehingga browser mendapatkan optimasi sungguhan, bukan reimplementasi JavaScript dari optimasi tersebut.

Runtime tersebut menyasar akselerasi hardware lewat tiga backend: XNNPACK untuk inferensi CPU, ML Drift untuk inferensi GPU lewat WebGPU, dan jalur NPU yang akan datang lewat WebNN API (saat ini masih eksperimental di Chrome dan Edge). Rilis awal ini disertai npm package @litertjs/core dan kumpulan demo langsung untuk dicoba sebelum mengintegrasikan apa pun.

Manfaat LiteRT.js Bagi Web Developer

LiteRT.js

Karena LiteRT.js berbagi stack terpadu dengan LiteRT di platform lain, aplikasi web otomatis mewarisi peningkatan performa, perbaikan kuantisasi, dan optimasi hardware yang sama yang Google rilis untuk Android, iOS, dan desktop — bukan versi web yang dikelola terpisah dan selalu tertinggal. Ada dua kemampuan yang paling menonjol bagi developer yang mengevaluasinya.

1. Konversi PyTorch & Kuantisasi yang Disesuaikan

Dengan LiteRT Torch, model PyTorch dikonversi ke format LiteRT dalam satu langkah, langsung siap memanfaatkan akselerasi hardware berbasis browser. Google mempublikasikan panduan memulai untuk alur konversinya.

Untuk penghematan ukuran dan kecepatan lebih lanjut, AI Edge Quantizer memungkinkan Anda mengatur skema kuantisasi per layer, bukan seragam di seluruh model — mengorbankan presisi hanya di bagian yang mampu ditoleransi model, yang cenderung menjaga kualitas output lebih baik dibanding kuantisasi menyeluruh. Ada contoh colab lengkap yang menunjukkan teknik ini pada model sungguhan.

2. Akselerasi Hardware Native di CPU, GPU, dan NPU

  • CPU: XNNPACK, library CPU on-device Google yang sudah dioptimalkan, dengan dukungan multi-thread yang solid dan build relaxed-SIMD untuk performa ekstra.
  • GPU: ML Drift yang menggerakkan WebGPU, solusi akselerasi GPU on-device andalan Google, kini dibawa ke browser.
  • NPU: WebNN API (eksperimental di Chrome dan Edge) menyasar NPU khusus untuk inferensi yang hemat daya dan berlatensi sangat rendah, di perangkat yang mendukungnya.
Gambaran arsitektur LiteRT.js
Gambaran arsitektur LiteRT.js.
Baca juga:

Performa dan Dampak di Dunia Nyata

Google membandingkan LiteRT.js dengan runtime AI web yang sudah ada, di model computer vision klasik dan pemrosesan audio. Hasil utamanya: LiteRT.js mengungguli runtime web lain hingga 3x lebih cepat, baik pada inferensi CPU maupun GPU.

Grafik perbandingan performa LiteRT.js
Benchmark dilakukan pada MacBook Pro Apple 2024 dengan chip Apple Silicon M4, dalam lingkungan browser yang terkontrol. Hasil masing-masing pengguna bisa berbeda tergantung kapabilitas GPU lokal, thermal throttling, dan optimasi driver browser.

Google juga membandingkan langsung tiga backend eksekusi — CPU lewat XNNPACK, WebGPU, dan WebNN lewat Apple CoreML — di berbagai jenis model AI populer. Untuk pekerjaan yang sensitif terhadap latensi seperti object tracking, transkripsi audio, atau manipulasi gambar, mengarahkan inferensi lewat GPU atau NPU (WebGPU atau WebNN) memberi peningkatan kecepatan 5–60x dibanding eksekusi CPU standar.

Grafik benchmark performa model klasik
Benchmark dilakukan pada MacBook Pro Apple 2024 dengan chip Apple Silicon M4, dalam lingkungan browser yang terkontrol. Hasil masing-masing pengguna bisa berbeda tergantung kapabilitas GPU lokal, thermal throttling, dan optimasi driver browser.

Lihat Langsung Aksinya

Kode sumber demo tersedia di repository GitHub LiteRT dan lewat Ultralytics. Beberapa demo langsungnya:

Deteksi Objek Ultralytics YOLO

Ultralytics, perusahaan di balik keluarga model deteksi objek dan segmentasi gambar real-time YOLO (You Only Look Once) yang banyak dipakai, kini menyediakan dukungan export LiteRT resmi langsung di dalam Python package-nya. Artinya, men-deploy model Ultralytics YOLO ke mobile, edge, dan browser cukup dengan beberapa baris kode, dari proses export sampai runtime.

Estimasi Kedalaman Monokular

Depth Anything mengubah feed webcam biasa menjadi point cloud 3D interaktif secara real time. Dengan menjalankan model Depth-Anything-V2 lewat LiteRT.js di WebGPU, demo ini menghitung kedalaman per-piksel dan memetakan video ke ruang 3D yang responsif, langsung di browser.

Upscaling Gambar 4x

Demo Real-ESRGAN melakukan upscale gambar 4x sepenuhnya di browser, dengan cara meng-upscale patch berukuran 128x128 piksel menjadi 512x512 lalu menyusunnya kembali menjadi gambar akhir.

Memulai dengan LiteRT.js

Mengintegrasikan LiteRT.js dirancang agar mudah, baik saat memulai dari nol maupun saat memigrasikan pipeline TensorFlow.js yang sudah ada — library ini menyembunyikan kerumitan tuning di level hardware sehingga Anda bisa fokus pada model dan UI di sekitarnya. Berikut gambaran proses loading, compiling dengan akselerasi GPU, dan menjalankan inferensi pada model .tflite:

import { loadLiteRt, loadAndCompile, Tensor } from '@litertjs/core';

await loadLiteRt('path/to/wasm/directory/');

const model = await loadAndCompile('path/to/your/model.tflite', { accelerator: webgpu });

const inputTypedArray = new Float32Array(1 * 3 * 244 * 244);
const inputTensor = new Tensor(inputTypedArray, [1, 3, 244, 244]);

const results = await model.run(inputTensor);

// results is a Tensor stored on GPU. To move it to CPU & convert to a
// typedArray:
const resultArray = (await results[0].moveTo('wasm')).toTypedArray();
emdashkits.com

Instruksi setup lengkap, demo lainnya, dan referensi API ada di dokumentasi LiteRT.js.

Selanjutnya Apa

Google menyebut roadmap ke depan berfokus pada integrasi WebNN yang lebih dalam untuk performa NPU native, serta dukungan yang lebih optimal untuk generative AI on-device di browser. Sementara itu, berikut beberapa sumber yang layak disimpan:

Gambaran besarnya di sini bukan soal satu angka benchmark tertentu, melainkan apa yang menjadi mungkin begitu runtime inferensi yang mendekati native menjadi warga kelas satu di platform web: fitur AI yang tidak membocorkan data pengguna ke server, tidak mengantre di belakang rate limit API, dan tidak menambah latensi jaringan di setiap interaksi. Bagi web developer yang selama ini mengamati AI di sisi client matang di mobile dari pinggir lapangan, LiteRT.js adalah sinyal paling jelas bahwa kemampuan yang sama kini hadir di browser.

Sumber: LiteRT.js, Google's high performance Web AI Inference — Google Developers Blog, oleh Ping Yu, Marko Ristić, Matthew Soulanille, dan Chintan Parikh.

Bagikan
Artikel Sebelumnya

Kenapa Bisnis Beralih ke Headless CMS di 2026

Komentar

Write a comment

Artikel Terkait

Kenapa Bisnis Beralih ke Headless CMS di 2026

Kenapa Bisnis Beralih ke Headless CMS di 2026

Apa Itu EmDash CMS? Tinjauan Lengkap

Apa Itu EmDash CMS? Tinjauan Lengkap

Apa Itu Hybrid CMS? Dijelaskan dengan Contoh

Apa Itu Hybrid CMS? Dijelaskan dengan Contoh

Kenapa Bisnis Beralih ke Headless CMS di 2026

Kenapa Bisnis Beralih ke Headless CMS di 2026

Buat sebagian besar dekade terakhir, adopsi headless CMS adalah cerita soal enterprise ambisius dan tim yang berat-engineering. Itu sudah berubah. Peralihannya sekarang cukup luas hingga terlihat jelas di data pasar, bukan cuma track pembicaraan konferensi — dan alasan yang diberikan tim buat migrasi di 2026 lebih konkret dibanding "itu lebih fleksibel".

Daftar Isi
  1. Angka-Angka di Balik Pergeseran Ini
  2. Apa Sesungguhnya yang Mendorong Peralihan Ini
  3. 1. Alur Kerja Konten AI-Native
  4. 2. Paparan Keamanan
  5. 3. Pengiriman Omnichannel
  6. 4. Performa dan Core Web Vitals
  7. Siapa yang Belum Sebaiknya Beralih
  8. Bagaimana Tim Sesungguhnya Bermigrasi
  9. Sumber

Angka-Angka di Balik Pergeseran Ini

Momentum sedang berakselerasi, bukan mendatar. Di Belanda, 77% perusahaan melaporkan berencana migrasi ke CMS baru segera, dan 86% dari yang sudah memakai setup headless melaporkan ROI yang meningkat. Di Jerman, sekitar 70% perusahaan yang migrasi melihat peningkatan performa dan scaling yang terukur. Kategori headless CMS secara keseluruhan — mencakup platform seperti Sanity, Strapi, Contentful, dan lainnya — telah lebih dari dua kali lipat pangsa pasarnya di pasar CMS meski masih jadi irisan kecil dari totalnya.

Sementara itu, WordPress — masih CMS tunggal terbesar dengan margin lebar — telah mencatat penurunan pangsa pasar berkelanjutan pertamanya dalam sejarah lebih dari 20 tahunnya, turun dari puncak di atas 43% pertengahan 2025. Itu bukan keruntuhan, tapi itu sinyal bahwa tanahnya sedang bergeser, terutama di antara tim yang memilih platform buat proyek baru alih-alih memigrasikan yang sudah ada.

Apa Sesungguhnya yang Mendorong Peralihan Ini

1. Alur Kerja Konten AI-Native

Ini pendorong terbaru dan tumbuh paling cepat. Konten terstruktur dan pengiriman API-first adalah yang memungkinkan agen AI menghasilkan konten, mempersonalisasi pengalaman, dan menjalankan eksperimen di skala — sesuatu yang sederhananya tidak dibangun buat CMS monolitik yang menyimpan HTML mentah di satu tabel besar. Tim yang mengadopsi headless di 2026 makin sering mengutip alur kerja AI sebagai alasan utama, bukan manfaat sampingan.

2. Paparan Keamanan

WordPress menyumbang mayoritas besar disclosure kerentanan terkait-CMS di tahun lalu, dan mayoritas besar dari itu berasal dari ekosistem plugin-nya alih-alih inti WordPress. Setup headless dengan front end yang statis atau di-render-edge punya permukaan serangan yang fundamental lebih kecil — tanpa PHP buat dieksploitasi, tanpa halaman login admin yang terekspos ke internet publik, tanpa plugin dengan akses database tak terbatas.

3. Pengiriman Omnichannel

Konten makin sering perlu menjangkau lebih dari satu website — aplikasi mobile, kiosk, integrasi partner, display IoT. CMS tradisional yang me-render HTML server-side tidak punya cara bersih buat juga melayani konten yang sama sebagai JSON terstruktur di tempat lain. Headless CMS dibangun buat itu sejak hari pertama.

4. Performa dan Core Web Vitals

Men-decouple front end membiarkan tim membangun di atas pendekatan rendering yang sungguh-sungguh cepat — static generation, edge rendering, arsitektur island — alih-alih mewarisi plafon rendering template engine. Buat tim di mana SEO dan skor kecepatan halaman langsung terikat ke revenue, ini saja sering cukup buat membenarkan migrasinya.

Baca juga:

Siapa yang Belum Sebaiknya Beralih

Headless bukan pilihan yang tepat buat semua orang di 2026, dan datanya tidak menyarankan itu seharusnya begitu. Bisnis founder-tunggal, situs portofolio, atau microsite campaign biasanya lebih terlayani oleh builder all-in-one yang meluncur dalam sehari — lihat uraian kami soal CMS tradisional vs. static site generator buat di mana garis itu berada. Tim tanpa kapasitas engineering front-end apa pun juga akan merasakan biaya migrasi lebih besar dibanding manfaatnya, setidaknya sampai mereka membawa skillset itu atau memilih hybrid CMS yang menawarkan fleksibilitas headless tanpa membutuhkan front end yang sepenuhnya kustom.

Bagaimana Tim Sesungguhnya Bermigrasi

  • Sebagian besar migrasi yang sukses menjalankan CMS lama dan baru secara paralel buat content type yang didefinisikan sebelum beralih sepenuhnya sekaligus.
  • Tim makin sering memilih platform dengan arsitektur selaras-MACH alih-alih satu suite yang melakukan-segalanya — lihat penjelas kami soal arsitektur MACH buat kenapa kombinasi itu penting.
  • Kebutuhan keamanan dan kepatuhan sekarang jadi pendorong migrasi top-tiga buat industri teregulasi, bukan cuma preferensi engineering.

Kalau kamu mengevaluasi keputusan ini buat timmu sendiri, layak membaca fundamentalnya dulu: apa itu headless CMS sesungguhnya, bagaimana bedanya dari CMS tradisional, dan — kalau kamu secara khusus menimbang ini terhadap deployment legacy skala besar — apa yang pembeli enterprise prioritaskan tahun ini.

Sumber

Bagikan
Artikel Sebelumnya

Apa Itu EmDash CMS? Tinjauan Lengkap

Artikel Berikutnya

LiteRT.js: Mesin Inferensi AI Web Berperforma Tinggi dari Google, Dijelaskan

Komentar

Write a comment

Artikel Terkait

LiteRT.js: Mesin Inferensi AI Web Berperforma Tinggi dari Google, Dijelaskan

LiteRT.js: Mesin Inferensi AI Web Berperforma Tinggi dari Google, Dijelaskan

Apa Itu EmDash CMS? Tinjauan Lengkap

Apa Itu EmDash CMS? Tinjauan Lengkap

Apa Itu Hybrid CMS? Dijelaskan dengan Contoh

Apa Itu Hybrid CMS? Dijelaskan dengan Contoh