Deteksi objek tiga dimensi (3D) adalah tugas yang esensial untuk aplikasi – aplikasi
seperti kendaraan otonom. Kemampuannya dalam memersepsikan lingkungan
sekitar dalam ruang 3D membuatnya menjadi praktis untuk diimplementasikan
pada suatu aplikasi nyata. Seiring berkembangnya teknologi sistem persepsi, objek
deteksi 3D berbasis Light Detection and Ranging (LiDAR) menjadi semakin
populer dan banyak pendekatan telah diusulkan untuk mencapai performa state of
the art. Beberapa pendekatan yang umum dilakukan untuk deteksi objek 3D
berbasis LiDAR antara lain pendekatan proyeksi, voxel, dan points. Di sisi lain,
pendekatan berbasis Graph Neural Networks(GNNs) untuk deteksi objek 3D masih
dalam tahap awal perkembangannya jika dibandingkan dengan pendekatan yang
lain. Point-GNN adalah salah satu arsitektur pertama yang mengimplementasikan
GNNs untuk tugas deteksi objek 3D. Meskipun menghasilkan akurasi yang tinggi
pada leaderboard dataset KITTI, Point-GNN mempunyai kecepatan inferensi yang
relatif lambat yang membuatnya tidak layak untuk diimplementasikan pada aplikasi
yang memerlukan deteksi real-time seperti pada kendaraan otonom. Pada penelitian
ini diusulkan suatu metode untuk mempercepat waktu inferensi Point-GNN dengan
menginvestigasi kontribusi dari parameter – parameter yang terdapat pada bagian
konstruksi graph Point-GNN. Pendekatan yang dilakukan berhasil meningkatkan
kecepatan inferensi hingga 2,56 kali lebih cepat dibandingkan dengan Point-GNN
orisinal dengan mempertahankan degradasi pada keseluruhan Average Precision
(AP) tidak melebihi 3,5%. Selain itu, pendekatan untuk meningkatkan akurasi
Point-GNN juga dilakukan dengan cara menginvestigasi kontribusi dari fitur – fitur
di bagian GNN layer yang belum dieksplorasi oleh penulis Point-GNN. Model
terbaik yang dihasilkan mampu memberikan peningkatan Birds Eye View (BEV)
AP sebesar 0,22% dan peningkatan 3D AP sebesar 0,35% dibandingkan dengan
Point-GNN orisinal. Tesis ini juga mengimplementasikan metode deteksi objek
deteksi 3D pada komputer embedded Nvidia Drive AGX Pegasus, yang merupakan
sebuah komputer embedded yang didesain khusus untuk kendaraan otonom. Karena
permasalahan kompatibilitasnya, tesis ini mengimplementasikan metode deteksi
objek 3D lain yaitu CenterPoint pada komputer embedded dan berhasil memperoleh
kecepatan inferensi sebesar 20,10 FPS.