Perkembangan era digital yang semakin maju, tentunya para pengguna media sosial atau netizen semakin mudah untuk berkomunikasi dan mengakses informasi menggunakan berbagai device sebagai teknologi daring. Adanya peningkatan aktifitas komunikasi antar warganet (netizen) ini juga mewakili kondisi ketika mengetahui informasi baru melalui media sosial seperti pada Telegram,Line ataupun Whatsapp. Hal tersebut membuat respon gaya dalam proses bertutur kata sering kali mewakili kondisi hati atau emosi yang sedang dirasakan. Pada penelitian ini dilakukan pengidentifikasian emosi suara dengan bahasa Indonesia melalui voice note di social media seperti WhatsApp, dimana untuk mengetahui kondisi emosi yang sedang dirasakan para netizen dengan menggunakan arsitektur SwishNet dari metode 1D (Convolutional Neural Network). Suara akan diproses dan diklasifikasikan untuk mengetahui emosi audio dari netizen Indonesia. Pada tahap ini dilakukan pengubahan dataset audio suara berbentuk file (mono .wav) yang kemudian di ektraksi fitur menggunakan Mel Frequency Cepstral Coefficient ( MFCC) dengan memproses data dan mengkonversi dari analog ke digital, yang akan digunakan sebagai input Neural Network. Selanjutnya digunakan Metode Deep Learning yaitu 1D Convolutional Neural Network dengan arsitektur SwishNet untuk mengklasifikasikan emosi suara manusia. Sistem akan menghasilkan output berupa identifikasi 4 jenis emosi yaitu Happy (bahagia), Angry (marah), Neutral (Netral), dan Sad (Sedih).