Aplikasi komputer meningkat jumlahnya dan menjadi lebih kompleks seiring dengan pertumbuhan bisnis dan ilmu pengetahuan. Dalam hal ini, pengelolaan dan integrasi data menjadi sangat penting. Pengembangan Web Service semakin meningkat. Pengembang Web Service membutuhkan banyak data riset dan referensi mengenai kompleks atau tidaknya suatu Web Service berkaitan dengan perkiraan biaya pengembangan, batasan waktu pengerjaan, dan sumber daya yang dibutuhkan untuk pengembangan, termasuk spesifikasi komputer dan sumber daya manusianya. Setiap pengukuran yang dilakukan dibutuhkan tersedianya ukuran kuantitatif yang disebut metrik, yang selanjutnya akan menghasilkan output berupa kompleksitas dari Web Service. Atas dasar itu, diperlukan sebuah perangkat lunak yang dapat menghitung metrik skala dan kompleksitas Web Service dengan cara meng-import file bertipe xml document dan berisi dokumen WSDL (Web Service Description Language) yang digunakan untuk menggambarkan kompleksitas Web Service berdasarkan pengukuran Data Weight (DW) yang dihitung dari bobot Argument per Operation (APO) dan Operation per Service (OPS). Dari percobaan perhitungan kami secara manual terhadap suatu dokumen WSDL, dimunculkan beberapa hasil berupa banyaknya argumen, OPS, dan APO. Hal ini kami terapkan pada perangkat lunak dan menghasilkan proses perhitungan yang lebih cepat. Pengguna dapat meng-import document tipe .xml dan hasil kompleksitas Web Service akan dimunculkan dalam aplikasi. Ukuran metrik dan kompleksitas yang diperoleh dapat digunakan untuk memperkirakan manajemen pengembangan Web Service.

Sistem rekomendasi produk merupakan sebuah sistem yang dapat memberikan prediksi produk yang relevan terhadap perilaku atau karakteristik user, sehingga dapat mempengaruhi user dalam mengambil keputusan untuk membeli suatu produk. Penelitian ini dilakukan untuk dapat memberikan rekomendasi kepada pembeli pada aplikasi marketplace Sindomall dengan menggunakan metode User Based Collaborative Filtering dikolaborasikan dengan algoritma Improved Triangle Similarity Complemented with User Rating Preferences (ITR) untuk menghitung nilai similarity antar pembeli dan algoritma Weighted Sum untuk menghitung nilai prediksi produk. Karakteristik pembeli diambil dari data perilaku pembeli dalam memberikan rating pada produk. Dalam pengujian model yang dilakukan dengan menggunakan data nilai prediksi pada 20 user acak pada database aplikasi Sindomall pada bulan Desember 2021 didapatkan model optimal dengan nilai parameter presentase user sebesar 100%. Hasil dari pengujian error sistem menggunakan model terpilih mendapatkan nilai MAE dan RMSE masing-masing sebesar 0,006 dan 0,013, sedangkan pada tahap pengujian akurasi sistem didapatkan nilai akurasi sebesar 0,849, nilai presisi sebesar 0,923, nilai recall sebesar 0,869, dan nilai F-score (F1) sebesar 0,895.