Banyak ulasan mengenai produk ponsel pintar di berbagi situs belanja online. Oleh sebab itu, dibutuhkan pengelompokan ulasan positif dan ulasan negatif untuk memberikan orientasi ulasan yang lebih baik. Data yang digunakan untuk penelitian ini adalah data yang tidak beraturan diambil dari situs belanja Amazon.com. Data akan difilter untuk menghapus data yang noisy dan akan kluster dengan membandingkan pembobotan menggunakan Term Frequency Inverse Document Frequency (TFIDF) untuk mengevaluasi sentimen dari tinjauan menggunakan supervised learning. Fokus dalam penelitian ini mengenai preprocessing data, fitur ekstraksi dan metode klasifikasi KNN untuk mencari K terbaik dalam kasus penelitian ini. Ulasan produk diklasifikasikan menggunakan model klasifikasi pembelajaran mesin K-Nearest Neighbors (KNN). Menggunakan metode tersebut memperoleh akurasi 81.07% dengan lima tahap preprocessing.