Data ulasan pelanggan memiliki peran penting bagi seorang calon pembeli. Selain menjadi bahan pertimbangan sebelum membeli barang tersebut, calon pembeli dapat melakukan riset soal produk yang akan dibeli melalui ulasan online yang ada. Hal ini dikarenakan calon pembeli tidak dapat menyentuh, mencoba, ataupun melihat secara langsung. Sehingga pembeli hanya mengandalkan deskripsi produk dan membaca ulasan pelanggan yang sebelumnya telah membeli produk tersebut. Para penjual merasa terbantu dengan adanya ulasan pelanggan selain meningkatkan kepercayaan calon pembeli, juga dapat meninjau ulang produk yang akan dijual ke pelanggan. Dikarenakan penjual tidak hanya menjual produknya di satu merchant, terdapat data ulasan pelanggan yang belum dicatat otomatis. Oleh karena itu, penelitian ini bertujuan untuk memprediksi rating toko menggunakan supervised learning untuk menghasilkan model yang memiliki performansi yang optimal. Metode yang digunakan ialah pemrosesan teks yang merupakan bagian dari machine learning dengan metode Naïve Bayes karena hanya membutuhkan jumlah data pelatihan yang kecil untuk menentukan estimasi parameter yang diperlukan. SVM karena dapat melakukan komputasi dengan cepat dalam menentukan jarak support vector dan KNN karena sederhana dan juga tahan terhadap data yang memiliki derau. Ketiga Metode tersebut digunakan untuk memprediksi rating store dengan membandingkan data actual dan data predict yang telah di rata-rata kan sebelumnya menggunakan pembobotan kata TF-IDF. Hasil penelitian menunjukkan nilai Akurasi K-Nearest Neighbor memiliki tingkat akurasi 95.01%, Support Vector Machines memiliki tingkat akurasi 95.37%, dan Naïve Bayes memiliki tingkat akurasi sebesar 95,44%. Pada hasil penelitian ini bahwa Algoritma SVM dan Naïve Bayes dapat membantu permasalahan dalam memprediksi rating store berdasarkan ulasan pelanggan dan model yang digunakan dapat meningkatkan penjualan.