D Dalam konteks interaksi antara manusia dan komputer, Speech Emotion Recognition (SER) adalah sebuah teknologi yang memungkinkan sistem untuk tidak hanya mendengar, tetapi juga memahami serta mengklasifikasikan emosi yang terkandung dalam ucapan manusia. Inovasi ini berpotensi besar untuk merevolusi cara kita berinteraksi dengan mesin, membuatnya lebih responsif terhadap keadaan emosional pengguna. Penelitian ini difokuskan untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dengan 4 jenis kernel dan Multi-Layer Perceptron (MLP) Classifier dalam mengidentifikasi emosi melalui suara. Metodologi yang diterapkan dalam penelitian ini mencakup penggunaan dataset Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS), yang terdiri dari 1440 rekaman audio yang mengekspresikan delapan kategori emosi: neutral, happy, disgust, sad, calm, fear, surprise, dan angry. Proses penelitian meliputi beberapa langkah penting, seperti pre-processing data audio, ekstraksi fitur dengan menggunakan teknik-teknik yang telah terbukti efektif seperti Zero-Crossing Rate (ZCR), Chroma, Mel-Frequency Cepstrum Coefficient (MFCC), dan Energy, serta penerapan metode SMOTE (Synthetic Minority Over-sampling Technique) untuk mengatasi masalah ketidakseimbangan dalam dataset. Hasil dari penelitian ini menunjukkan bahwa model SVM dengan kernel RBF berhasil mencapai akurasi klasifikasi sebesar 73,61% pada data pelatihan dan 71,88% pada data pengujian. Di sisi lain, model MLP Classifier mencatatkan akurasi sebesar 68,02% pada data pelatihan. Temuan ini mengindikasikan bahwa algoritma SVM memiliki keunggulan dalam mengenali emosi melalui suara, yang terlihat dari tingkat akurasi klasifikasi yang lebih tinggi dibandingkan dengan algoritma MLP Classifier.