Estimasi posisi dan orientasi merupakan komponen penting dalam navigasi robot otonom. Namun, ketergantungan pada sensor GPS dan IMU memiliki keterbatasan seperti gangguan sinyal dan konsumsi daya yang tinggi. Penelitian ini bertujuan mengembangkan sistem estimasi state berbasis deep learning menggunakan citra RGB dari kamera Intel RealSense D455 untuk memprediksi koordinat GPS (UTM X, UTM Y) dan orientasi IMU (yaw) tanpa memerlukan data GPS dan IMU saat inferensi. Metodologi penelitian meliputi pengumpulan data dari robot otonom O-SEATER pada lintasan outdoor terstruktur dengan variasi waktu (pagi, siang, sore), preprocessing data, augmentasi citra, pembagian dataset, pelatihan model CNN berbasis arsitektur MobileNetV2, serta evaluasi performa menggunakan Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Hasil pengujian menunjukkan bahwa model mampu memprediksi UTM X dan UTM Y dengan rata-rata kesalahan di bawah 5 meter, serta Yaw dengan kesalahan di bawah 10 derajat. Rasio pembagian dataset 80% training, 10% validation, dan 10% testing menghasilkan performa terbaik. Penelitian ini membuktikan potensi navigasi berbasis deep learning untuk mengurangi ketergantungan pada sensor eksternal, serta menjadi dasar pengembangan menuju implementasi real-time pada robot otonom.

Kata kunci: Convolutional Neural Network, Deep learning, Estimasi state, MobileNetV2, Navigasi, Robot otonom.