Penelitian ini mengevaluasi kinerja sebelas algoritma Machine Learning (ML) dan Deep Learning (DL) dalam mendeteksi tingkat stres mahasiswa menggunakan data kuesioner Perceived Stress Scale-10 (PSS-10). Dataset sekunder dari 2028 mahasiswa dipra-proses, termasuk penyeimbangan data dengan SMOTE dan pembagian 80:20 untuk pelatihan dan pengujian. Model-model yang diuji meliputi tujuh algoritma ML (SVM, KNN, DT, RF, LR, GB, dan XGBoost) dan empat algoritma DL (ANN, CNN, LSTM, dan GRU). Optimasi dilakukan pada semua model dengan hypertuning GridSearchCV. Hasil evaluasi menunjukkan Logistic Regression konsisten sebagai model terbaik dengan akurasi tertinggi 99.75%. SVM juga menunjukkan akurasi yang sangat tinggi (99.26% tanpa SMOTE, 99.50?ngan SMOTE). Penerapan SMOTE berdampak bervariasi meningkatkan kinerja model SVM, RF, XGBoost dan LSTM, namun sedikit menurunkan akurasi pada pada KNN, DT, GB, CNN, ANN dan GRU. Secara keseluruhan, Logistic Regression adalah algoritma paling unggul dalam klasifikasi tingkat stres mahasiswa.