Perkembangan Internet of Vehicles (IoV) meningkatkan kebutuhan terhadap sistem keamanan jaringan yang mampu mendeteksi serangan secara cepat, akurat, serta tetap menjaga privasi data. Salah satu pendekatan yang dapat digunakan adalah Intrusion Detection System (IDS) berbasis deep learning yang dikombinasikan dengan Federated Learning sehingga pelatihan model dapat dilakukan tanpa memusatkan data pada satu lokasi. Namun, penerapan Federated Learning pada lingkungan IoV masih menghadapi tantangan akibat distribusi data yang tidak seragam (non-IID) dan keterbatasan sumber daya komputasi pada perangkat edge. Penelitian ini mengusulkan model lightweight DPDNet-Lite untuk mendeteksi serangan pada dataset TOW-IDS menggunakan representasi citra grayscale dan Discrete Wavelet Transform (DWT). Evaluasi berbagai konfigurasi preprocessing menunjukkan bahwa citra berukuran 256×256 dengan DWT level 2, yang menghasilkan masukan model berukuran 64×64, memberikan performa terbaik pada skenario Federated Learning. Meskipun menggunakan ukuran masukan yang relatif kecil, konfigurasi tersebut tetap mampu mempertahankan informasi penting dari trafik jaringan sehingga menghasilkan performa deteksi yang lebih baik dibandingkan konfigurasi preprocessing lainnya. Hasil pengujian menunjukkan bahwa DPDNet-Lite mencapai accuracy sebesar 98,15% pada Centralized Learning, 97,21% pada Federated Learning IID, dan 96,34% pada Federated Learning non-IID. Pada klasifikasi multiclass, model memperoleh accuracy sebesar 98,19% (IID) dan 95,34% (non-IID). Selain itu, pengujian pada AVTP Intrusion Dataset menghasilkan accuracy 92,65%, F1-score 93,41%, dan false positive rate 6,27%. Hasil penelitian menunjukkan bahwa DPDNet-Lite mampu mempertahankan performa deteksi yang tinggi pada berbagai skenario pelatihan serta berpotensi menjadi solusi IDS yang efisien untuk lingkungan IoV.