Perkembangan teknologi kecerdasan buatan memungkinkan interaksi manusia-mesin yang lebih adaptif melalui pengenalan emosi suara. Penelitian ini bertujuan mengembangkan sistem klasifikasi emosi suara untuk tiga kategori: senang, sedih, dan marah, menggunakan metode ekstraksi fitur Mel-Frequency Cepstral Coefficients (MFCC) dan algoritma Random Forest. Dataset Toronto Emotional Speech Set (TESS) digunakan sebagai sumber data, dengan augmentasi untuk meningkatkan variasi. Metode meliputi preprocessing, ekstraksi MFCC, training model, evaluasi, dan implementasi aplikasi web real-time berbasis Streamlit. Hasil evaluasi menunjukkan akurasi 99,58% pada data uji, dengan performa tinggi di semua metrik. Sistem berhasil diklasifikasikan secara real-time melalui input mikrofon, dengan majority voting untuk stabilitas. Penelitian ini berkontribusi pada Speech Emotion Recognition (SER) praktis, mendukung aplikasi seperti asisten virtual. Keterbatasan pada tiga emosi dan bahasa Inggris membuka peluang pengembangan lanjutan.

Kata kunci: Mel-Frequency Cepstral Coefficients, Random Forest, Klasifikasi Emosi Suara, Streamlit.