docs: add thesis proposal draft and source map

docs/proposal/PROPOSAL_SOURCE_MAP.md

@@ -0,0 +1,130 @@
+# Proposal Source Map
+
+Internal audit aid. Maps the substantive claims in `docs/proposal/THESIS_PROPOSAL_DRAFT.md` to
+repository evidence. This file is not a thesis chapter and is not intended for submission.
+
+Evidence keys:
+
+- `planningawal` = `planningawal/PROTEAN_Revisi_Lurus.md` (immutable specification)
+- `protocol` = `docs/research/EXPERIMENT_PROTOCOL.md`
+- `interp` = `docs/research/RESEARCH_SPEC_INTERPRETATION.md`
+- `baseline-inv` = `docs/baseline/PROTEAN_BASELINE_INVESTIGATION.md`
+- `dataset` = `docs/research/DATASET_INSPECTION.md`
+- `claims` = `docs/thesis/CLAIMS_REGISTER.md`
+- `synthesis` = `docs/research/FINAL_EXPERIMENTAL_SYNTHESIS.md`
+- `handoff` = `docs/handoff/SESSION_HANDOFF.md`
+- `artifacts` = `artifacts/analysis/final__*.{csv,json}`
+- `agents` = `AGENTS.md`
+
+---
+
+## 1. Research focus and mechanism
+
+| Claim in proposal | Evidence |
+|---|---|
+| PROTEAN is a federated IDS that shares class prototypes (knowledge) and aggregates models for non-IID data | `planningawal` §1; `baseline-inv` §1 (source table); `interp` §1–2 |
+| The study focuses only on server-side prototype aggregation | `planningawal` §1, §11; `interp` §1, §11; `agents` §8 |
+| Global prototype is used both as a training alignment target and as the inference classifier (nearest prototype) | `planningawal` §1, §2 (Inferensi); `interp` §2; `protocol` §14 |
+| Local prototype is the mean embedding of a client's class-`j` samples | `planningawal` §2; `protocol` §14 |
+| PROTEAN Eq. (2) uses equal contribution (`1/M`) and contains no `N_ij` weight; Figure 1 "Weighted averaging" is not formalized | `planningawal` §2; `interp` §1–2 |
+| `N_ij` is class-specific sample support, not prototype quality | `planningawal` §4; `agents` §9; `claims` claim 10 |
+| A larger `N_ij` does not imply a better prototype | `planningawal` §4; `agents` §9 |
+
+## 2. Missing-class handling and reproduction assumption
+
+| Claim in proposal | Evidence |
+|---|---|
+| Eq. (2) does not state how a class unavailable on a client is handled | `planningawal` §3; `interp` §4 |
+| The proposal uses `S_j = { i | N_ij > 0 and valid C_ij }` as the participant set | `planningawal` §3, §5; `interp` §3; `protocol` §5 |
+| `S_j` is a documented reproduction assumption, not verified against official code | `planningawal` §3; `protocol` §5; `baseline-inv` §2 (no official code found) |
+| All results are conditional on the shared `S_j` assumption | `protocol` §5, §12; `claims` claim 12; `synthesis` §14 |
+
+## 3. Proposed aggregation and beta semantics
+
+| Claim in proposal | Evidence |
+|---|---|
+| Weighted form `Cbar_j(β) = Σ N_ij^β C_ij / Σ N_ij^β` | `planningawal` §5; `interp` §3 |
+| `β = 0` is equal weighting inside `S_j`, a control, not automatically the baseline | `planningawal` §5; `interp` §3 |
+| `β = 1` is support-proportional; equals the mean of included local class-`j` embeddings | `planningawal` §5; `interp` §3 |
+| `0 < β < 1` gives intermediate support influence | `planningawal` §5; `interp` §3 |
+| Candidate set `β ∈ {0, 0.25, 0.50, 0.75, 1.00}`, one value for all classes/clients | `planningawal` §7; `protocol` §5 |
+| `N_ij` is aggregation metadata; per-sample embeddings are not sent | `planningawal` §5 |
+| `β = 0` is not guaranteed bitwise identical to the baseline (floating-point order) | `claims` claim 12; `synthesis` §1, §7; per-condition `beta0_equivalence.csv` |
+
+## 4. Novelty boundary and related work
+
+| Claim in proposal | Evidence |
+|---|---|
+| Sample-count prototype weighting already exists; not novel by itself | `planningawal` §10; `interp` §1; `claims` claim 13 (note: claim numbering in `claims` file); `synthesis` §15 |
+| FedProto (Tan et al., 2022) already weights prototypes with class sample counts | `planningawal` §10 (Daftar Pustaka); `interp` §1 |
+| Novelty is framed around controlled `β` weighting in PROTEAN, validation tuning, paired multi-condition evaluation, and mechanism-level analysis | `planningawal` §10; `synthesis` §15; this proposal §1.7, §2.5 |
+| Contribution must not claim universal superiority or a global optimum | `planningawal` §7; `claims` claims 5, 7, 8, 9; `synthesis` §16 |
+
+## 5. Datasets and protocol
+
+| Claim in proposal | Evidence |
+|---|---|
+| Datasets: X-IIoTID and 5G-NIDD | `protocol` §1; `dataset` §1–2 |
+| X-IIoTID uses label `class2`, benign `Normal`, drops `crypto-ransomware`, K=9 | `protocol` §1; `dataset` §1 |
+| 5G-NIDD uses label `Attack Type`, benign `Benign`, K=9 | `protocol` §1; `dataset` §2 |
+| Dataset shapes: X-IIoTID 820,834 × 68; 5G-NIDD 1,215,890 × 52 | `dataset` §1–2 |
+| 10 clients; Dirichlet `α ∈ {0.75, 0.50, 0.25}` from training split only | `protocol` §2 |
+| Partitions are deterministic and stored as reusable manifests | `protocol` §2, §6, §12 |
+| Splits are stratified 70/10/20; validation is a project decision, test 20% follows the paper | `protocol` §3 |
+| Seeds `{0,1,2}` are project-defined | `protocol` §4 |
+| Hyperparameters: 10 rounds, 3 local epochs, batch 256, Adam lr 1e-3, `μ=0.1`, `λ=1.0` | `protocol` §5, §14, §15 |
+| Preprocessing is fitted on the training split only | `protocol` §13 |
+| Realized heterogeneity must be measured; `α` alone is insufficient | `planningawal` §9; `protocol` §10 |
+
+## 6. Rare/unseen definition and selection
+
+| Claim in proposal | Evidence |
+|---|---|
+| Rare classes per client: two attack classes with smallest positive training support | `planningawal` §9; `protocol` §7; `interp` §5 |
+| One class if only one exists; client excluded if no attack class | `protocol` §7; `interp` §5 |
+| Unseen classes (`N_ij = 0`) are evaluated separately and never merged with rare | `planningawal` §9; `protocol` §7; `interp` §5 |
+| Rare/unseen derived from training split before selection (no leakage) | `planningawal` §9; `protocol` §7 |
+| PRIMARY selection is pooled validation per-client rare-class macro-F1 across seeds | `planningawal` §7; `protocol` §8 |
+| Tie-break: pooled recall, then lower across-seed std, then smaller beta | `protocol` §8 |
+| Secondary per-seed selection is diagnostic only | `protocol` §8 |
+| Test is used only after `β` is fixed and never influences selection | `planningawal` §7; `protocol` §8; `synthesis` §3 |
+| Grid: 2 datasets × 3 α × 3 seeds × (baseline + 5 betas) | `protocol` §8, §12; `handoff` (grid complete) |
+| No significance testing promised with three seeds | `synthesis` §13; `handoff` §14 |
+
+## 7. Metrics and analysis design
+
+| Claim in proposal | Evidence |
+|---|---|
+| Primary metric is per-client rare-class macro-F1 | `planningawal` §7–8; `protocol` §8–9 |
+| Supporting metrics: rare recall, overall macro-F1, weighted-F1, accuracy, per-client, displacement, heterogeneity | `protocol` §9–11; `interp` §8 |
+| Direct prototype effect is separated from end-to-end training effect | `planningawal` §6, §9; `protocol` §11; `interp` §9 |
+| Displacement `||Cbar_j(β) − Cbar_j(0)||` is reported | `planningawal` §9; `protocol` §11 |
+| Rare-class evaluation support must be recorded | `planningawal` §9; `protocol` §9–10 |
+
+## 8. Research evolution (narrowing)
+
+| Claim in proposal | Evidence |
+|---|---|
+| The current scope excludes multiple simultaneous mechanisms and broad comparisons | `planningawal` §11; `interp` §11; `agents` §8 |
+| Earlier broad scope including Differential Privacy is not documented in this repository | Not found in repo (`grep` for "Differential Privacy" returns only this proposal's own note); treated as external context from the session instruction, not a repository claim |
+
+## 9. Preliminary study statements
+
+| Claim in proposal | Evidence |
+|---|---|
+| Implementation is feasible (baseline and `β` mode run on both datasets) | `protocol` §5, §15; baseline validation doc `docs/baseline/BASELINE_VALIDATION.md`; `handoff` |
+| Realized support imbalance is substantial at low `α` | `artifacts` (`final__realized_heterogeneity.csv`); `handoff` §8 |
+| Changing `β` shifts global prototypes at fixed local prototypes | `artifacts` (`final__prototype_displacement_by_beta.csv`); `synthesis` §7 |
+| Candidate preference can differ across non-IID conditions | `artifacts` (`final__pooled_validation_curves.csv`, `final__selection_strength.csv`); `handoff` |
+
+Note: the preliminary-study section deliberately omits the final six-condition selections, the
+complete master table, and the final test results, consistent with preserving the proposal framing.
+
+## 10. Items not yet evidenced in the repository (must be verified or added)
+
+| Item | Status |
+|---|---|
+| FL-IDS / non-IID literature beyond PROTEAN and FedProto | Not present; metadata must be verified before citing |
+| The earlier Differential Privacy research design | Not documented in the repository; only described as external session context |
+| PROTEAN paper's own related-work citations | Not extracted into the repository |
+| Any bibliographic field not taken verbatim from `planningawal` or `baseline-inv` | Must be marked `[metadata perlu diverifikasi]` |

docs/proposal/THESIS_PROPOSAL_DRAFT.md

@@ -0,0 +1,610 @@
+# JUDUL
+
+**Optimasi Agregasi Prototype pada PROTEAN melalui Pembobotan Berbasis Dukungan Sampel Kelas
+untuk Deteksi Serangan Langka pada Data Non-IID**
+
+*(Optimizing Prototype Aggregation in PROTEAN through Class-Sample-Support Weighting for Rare
+Attack Detection under Non-IID Data Distributions)*
+
+Nama: Muhamad Wildan Rizky
+NIM: 20102520001
+
+Dokumen ini adalah draf proposal tesis pada tahap awal. Fokus penelitian telah dipersempit pada
+satu mekanisme agregasi prototype di server PROTEAN. Draf ini belum memuat hasil akhir; bagian
+studi pendahuluan hanya digunakan sebatas menunjukkan kelayakan pelaksanaan.
+
+---
+
+# BAB I — PENDAHULUAN
+
+## 1.1 Latar Belakang
+
+Perkembangan jaringan yang terdistribusi, seperti jaringan IoT industri dan jaringan 5G, membuat
+volume lalu lintas yang harus diawasi oleh sistem deteksi intrusi (intrusion detection system,
+IDS) terus bertambah. Data lalu lintas tersebut umumnya tersebar pada banyak titik jaringan dan
+tidak selalu dapat dikumpulkan ke satu pusat. Pengumpulan data mentah secara terpusat menimbulkan
+beban komunikasi sekaligus masalah privasi, terutama ketika data merekam perilaku perangkat dan
+pengguna.
+
+Federated Learning (FL) menawarkan cara untuk melatih model secara kolaboratif tanpa memindahkan
+data mentah ke server. Setiap client melatih model pada datanya sendiri, lalu hanya parameter model
+yang dikirim dan digabungkan oleh server. Pola ini sesuai untuk IDS karena data serangan dapat
+tetap berada di lokasi masing-masing. Namun, FL pada IDS menghadapi tantangan ketika distribusi
+kelas antar-client tidak seragam, atau non-IID. Sebagian client dapat memiliki jenis serangan yang
+sangat dominan, sementara client lain hanya memiliki sedikit contoh, bahkan tidak memiliki contoh
+sama sekali untuk kelas serangan tertentu.
+
+Ketidakseimbangan kelas memperkuat masalah tersebut. Kelas serangan langka hanya muncul pada
+sebagian kecil data, sehingga rata-rata kinerja keseluruhan dapat terlihat baik meskipun model
+gagal mendeteksi kelas yang jarang. Pada konteks keamanan, kegagalan mendeteksi kelas langka justru
+berisiko, karena serangan yang jarang belum tentu tidak berbahaya. Karena itu, evaluasi yang hanya
+mengandalkan akurasi global kurang memadai, dan metrik per kelas seperti macro-F1 serta recall
+kelas langka menjadi lebih relevan.
+
+Untuk menghadapi data non-IID, sebagian metode FL berbagi pengetahuan dalam bentuk prototype kelas,
+bukan hanya parameter model. Prototype kelas adalah representasi rata-rata embedding sampel pada
+suatu kelas. Dengan berbagi prototype, client dapat memanfaatkan representasi kelas yang mungkin
+tidak dimilikinya. PROTEAN (Chennoufi et al., 2025) merupakan salah satu metode federated intrusion
+detection yang menggunakan pertukaran prototype kelas bersama agregasi model pada data non-IID.
+Global prototype hasil agregasi di server digunakan pada dua proses: sebagai acuan prototype
+alignment saat pelatihan lokal dan sebagai pembanding embedding saat inferensi. Dengan demikian,
+cara server menggabungkan local prototype berpengaruh pada representasi kelas sekaligus pada
+keputusan deteksi.
+
+Pada Persamaan (2) PROTEAN, kontribusi setiap local prototype terhadap global prototype bersifat
+sama, yaitu rata-rata sederhana. Padahal, local prototype kelas yang sama dapat dibentuk dari
+jumlah sampel yang sangat berbeda antarklien. Misalnya, satu client dapat memiliki ratusan sampel
+untuk suatu kelas, sementara client lain hanya memiliki beberapa sampel. Equal weighting memberi
+kontribusi yang sama kepada kedua prototype tersebut, tanpa mempertimbangkan perbedaan dukungan
+sampel yang membentuknya. Kondisi ini menimbulkan pertanyaan apakah cara penggabungan tersebut
+sudah sesuai, terutama untuk kelas serangan langka.
+
+Di sisi lain, dukungan sampel yang lebih besar tidak otomatis berarti prototype yang lebih baik.
+`N_ij`, yaitu jumlah sampel kelas `j` pada client `i`, adalah ukuran dukungan sampel, bukan skor
+kualitas prototype. Prototype yang dibentuk dari sedikit sampel belum tentu buruk, dan prototype
+yang dibentuk dari banyak sampel belum tentu mewakili variasi serangan yang ingin dideteksi. Oleh
+karena itu, pengaruh dukungan sampel sebaiknya dikendalikan dan diuji, bukan diasumsikan selalu
+menguntungkan.
+
+Penelitian ini mengusulkan mekanisme pembobotan yang dikendalikan oleh parameter `β`. Bobot
+kontribusi client `i` untuk kelas `j` adalah `N_ij^β`, dengan `0 ≤ β ≤ 1`. Nilai `β = 0`
+menghasilkan pembobotan seragam, `β = 1` menghasilkan pembobotan sebanding dengan dukungan sampel,
+dan nilai di antaranya memberi pengaruh yang lebih moderat. Karena pengaruh pembobotan diduga
+bergantung pada tingkat ketimpangan data, evaluasi dilakukan pada beberapa kondisi non-IID yang
+dibentuk dengan parameter Dirichlet `α` yang berbeda. Dengan pendekatan ini, penelitian diarahkan
+pada satu mekanisme yang dapat ditelusuri, bukan pada perbandingan banyak metode sekaligus.
+
+## 1.2 Identifikasi Masalah
+
+Berdasarkan latar belakang tersebut, masalah yang diteliti dapat dirumuskan sebagai berikut.
+
+1. Jumlah sampel kelas `N_ij` untuk kelas yang sama dapat berbeda cukup besar antarklien pada data
+   non-IID.
+2. Agregasi prototype pada PROTEAN tidak secara eksplisit mengendalikan besar kontribusi setiap
+   client berdasarkan dukungan sampel kelas tersebut.
+3. Pembobotan seragam memberi pengaruh yang sama kepada seluruh client, dan belum tentu sesuai
+   ketika dukungan sampel antarclient sangat timpang.
+4. Pembobotan penuh yang sebanding dengan `N_ij` juga belum tentu sesuai, karena dukungan sampel
+   besar tidak otomatis berarti prototype yang lebih mewakili kelas langka.
+5. Hubungan antara kekuatan pembobotan, pergeseran global prototype, dan kinerja deteksi kelas
+   langka belum dipahami dengan cukup baik.
+6. Kekuatan pembobotan yang sesuai diduga bergantung pada kondisi non-IID yang terealisasi, bukan
+   hanya pada nilai `α` yang dipilih.
+
+## 1.3 Gap Penelitian
+
+### 1.3.1 Hal yang sudah diketahui
+
+Pembelajaran FL berbasis prototype telah dikembangkan untuk menangani data yang heterogen. PROTEAN
+menggunakan pertukaran class prototype bersama agregasi model pada konteks federated intrusion
+detection dengan data non-IID. Pembobotan prototype yang melibatkan jumlah sampel kelas juga sudah
+ada pada penelitian lain, antara lain FedProto (Tan et al., 2022). Dengan demikian, penggunaan
+`N_ij` untuk membobot prototype bukan hal baru dengan sendirinya.
+
+### 1.3.2 Hal yang masih belum memadai untuk lingkup penelitian ini
+
+Yang belum dipahami secara memadai bukanlah keberadaan pembobotan berbasis jumlah sampel, melainkan
+perilakunya ketika diterapkan secara terkendali pada agregasi prototype PROTEAN. Secara khusus:
+
+1. bagaimana pembobotan dukungan yang diatur oleh `β` mengubah posisi global prototype PROTEAN;
+2. apakah pembobotan yang lebih kuat selalu memperbaiki deteksi kelas langka, atau justru
+   bergantung pada kondisi;
+3. bagaimana pengaruh tersebut berubah pada tingkat ketimpangan non-IID yang berbeda;
+4. bagaimana setiap client, terutama yang memiliki dukungan sampel kecil, memperoleh manfaat atau
+   justru mengalami penurunan kinerja.
+
+Gap penelitian ini bukan "belum ada yang menggunakan jumlah sampel", karena hal itu sudah ada pada
+penelitian sebelumnya. Gap-nya terletak pada pemahaman mekanisme dan kondisi penerapan pada
+agregasi prototype PROTEAN.
+
+## 1.4 Rumusan Masalah
+
+Berdasarkan gap di atas, rumusan masalah penelitian ini adalah sebagai berikut.
+
+**RQ1.** Bagaimana hubungan antara ketimpangan dukungan sampel kelas, perbedaan local prototype,
+dan kinerja deteksi kelas langka pada PROTEAN?
+
+**RQ2.** Bagaimana perubahan `β` memengaruhi global prototype dan kinerja deteksi kelas langka pada
+kondisi non-IID yang berbeda?
+
+**RQ3.** Apakah nilai `β` yang dipilih melalui validasi berubah pada tingkat ketimpangan yang
+berbeda, dan apa dampaknya terhadap kinerja keseluruhan serta hasil per klien?
+
+## 1.5 Tujuan Penelitian
+
+Tujuan umum penelitian ini adalah mengevaluasi mekanisme agregasi prototype berbasis pembobotan
+dukungan sampel kelas yang dikendalikan oleh `β` pada PROTEAN, serta menganalisis perilakunya
+terhadap deteksi kelas langka pada data non-IID.
+
+Tujuan khusus yang dijabarkan dari rumusan masalah adalah:
+
+1. Menganalisis hubungan antara ketimpangan dukungan sampel kelas `N_ij`, pergeseran global
+   prototype, dan kinerja deteksi kelas langka pada PROTEAN (menjawab RQ1).
+2. Menganalisis pengaruh nilai `β` terhadap global prototype dan kinerja deteksi kelas langka pada
+   beberapa kondisi non-IID (menjawab RQ2).
+3. Menentukan nilai `β` melalui validasi pada tingkat ketimpangan yang berbeda dan menganalisis
+   dampaknya terhadap kinerja keseluruhan serta hasil per klien (menjawab RQ3).
+
+## 1.6 Batasan Penelitian
+
+Agar pengaruh pembobotan dapat ditelusuri dengan jelas, penelitian ini dibatasi sebagai berikut.
+
+1. Modifikasi hanya dilakukan pada tahap agregasi prototype di server.
+2. Pembentukan local prototype mengikuti mekanisme PROTEAN yang telah diverifikasi.
+3. Agregasi model, arsitektur model, fungsi loss beserta prototype alignment, dan aturan inferensi
+   mengikuti baseline yang telah diverifikasi dan tidak diubah.
+4. Dataset yang digunakan adalah X-IIoTID dan 5G-NIDD.
+5. Jumlah client tetap 10, sesuai pengaturan PROTEAN.
+6. Kondisi non-IID dibentuk dengan distribusi Dirichlet pada beberapa nilai `α`, yaitu 0,75; 0,50;
+   dan 0,25.
+7. Kandidat nilai `β` adalah {0; 0,25; 0,50; 0,75; 1,00}, dan satu nilai `β` digunakan untuk
+   seluruh kelas dan client dalam satu eksperimen.
+8. Random seed yang digunakan adalah himpunan yang telah ditetapkan untuk proyek ini, yaitu
+   {0, 1, 2}.
+9. Kelas langka ditentukan dari data training setiap client, bukan dari data validasi atau
+   pengujian.
+10. Kelas yang tidak tersedia pada client (`N_ij = 0`) diperlakukan sebagai unseen class dan
+    dianalisis terpisah dari kelas langka.
+11. Pemilihan `β` hanya menggunakan data validasi; data pengujian tidak digunakan untuk memilih
+    `β`.
+12. Penanganan kelas yang tidak tersedia pada agregasi baseline, yaitu himpunan peserta `S_j`,
+    merupakan asumsi reproduksi PROTEAN yang didokumentasikan dan tidak diuji kebenarannya
+    terhadap kode resmi.
+
+## 1.7 Kontribusi Penelitian
+
+Kontribusi yang ditargetkan pada penelitian ini adalah sebagai berikut.
+
+1. **Kontribusi metodologis.** Penerapan agregasi prototype terbobot dukungan sampel kelas yang
+   dikendalikan oleh parameter `β` di dalam PROTEAN, dengan definisi peserta agregasi dan
+   penanganan kelas tidak tersedia yang eksplisit.
+2. **Kontribusi eksperimental.** Evaluasi berpasangan pada dua dataset IDS, tiga tingkat non-IID,
+   dan beberapa random seed, dengan partisi dan hyperparameter yang sama untuk setiap
+   perbandingan.
+3. **Kontribusi analitis.** Analisis berantai yang menghubungkan ketimpangan dukungan sampel,
+   bobot kontribusi, pergeseran prototype, kinerja kelas langka, dan dampak per klien.
+4. **Kontribusi praktis dan ilmiah.** Karakterisasi kondisi ketika pembobotan dukungan yang lebih
+   kuat berpotensi membantu, berdampak kecil, atau merugikan kinerja kelas langka.
+
+Kontribusi tersebut tidak mencakup klaim keunggulan umum, klaim optimalitas global, atau klaim
+bahwa pembobotan berbasis jumlah sampel merupakan hal yang baru dengan sendirinya.
+
+---
+
+# BAB II — TINJAUAN PUSTAKA
+
+## 2.1 Federated Learning untuk Intrusion Detection
+
+Federated Learning adalah pendekatan pelatihan model yang menjaga data tetap berada di sisi client.
+Server mengoordinasikan proses pelatihan dan menggabungkan parameter model, sementara data mentah
+tidak dipindahkan. Pendekatan ini menarik untuk IDS karena data lalu lintas jaringan sering
+tersebar, bersifat sensitif, dan tidak selalu dapat dikumpulkan secara terpusat.
+
+Tantangan utama FL pada IDS adalah data antarclient yang non-IID. Setiap client mengamati pola
+lalu lintas yang berbeda, sehingga distribusi kelasnya tidak seragam. Sebagian client dapat
+memiliki kelas serangan yang dominan, sementara client lain jarang atau tidak pernah melihat kelas
+tersebut. Perbedaan ini dapat menurunkan kualitas model global jika proses agregasi tidak
+memperhatikan heterogenitas tersebut.
+
+## 2.2 Class Imbalance dan Rare Attack pada FL-IDS
+
+Pada data keamanan, jumlah sampel tiap kelas sangat tidak seimbang. Kelas benign biasanya jauh
+lebih banyak daripada kelas serangan, dan sebagian jenis serangan hanya muncul dalam jumlah kecil.
+Akibatnya, model dapat mencapai akurasi atau kinerja global yang terlihat baik dengan cara
+mengorbankan kelas minoritas.
+
+Metrik yang hanya merangkum seluruh kelas, seperti akurasi global, kurang cocok untuk menilai
+deteksi kelas langka. Metrik seperti macro-F1 dan recall per kelas lebih relevan karena memberi
+bobot yang lebih seimbang pada setiap kelas. Karena itu, penelitian ini menggunakan macro-F1 kelas
+langka sebagai metrik utama, dengan metrik pendukung seperti recall kelas langka, macro-F1
+keseluruhan, dan hasil per klien.
+
+## 2.3 Prototype-Based Federated Learning
+
+Alih-alih hanya berbagi parameter model, sebagian metode FL juga berbagi prototype kelas.
+Prototype kelas adalah representasi ringkas dari suatu kelas dalam ruang embedding, biasanya berupa
+rata-rata embedding sampel kelas tersebut.
+
+Sub-konsep yang penting untuk penelitian ini:
+
+- **local prototype**, yaitu prototype kelas yang dibentuk oleh satu client dari data lokalnya;
+- **global prototype**, yaitu prototype kelas hasil agregasi server dari local prototype beberapa
+  client.
+
+Pertukaran prototype memungkinkan client memperoleh representasi kelas yang tidak dimilikinya
+secara lokal. Pada data non-IID, pendekatan ini dapat membantu client yang hanya memiliki sebagian
+kelas. Namun, kualitas global prototype sangat bergantung pada cara server menggabungkan local
+prototype.
+
+## 2.4 PROTEAN
+
+PROTEAN (Chennoufi et al., 2025) adalah metode federated intrusion detection untuk data non-IID
+yang menggabungkan pertukaran class prototype dengan agregasi parameter model. Mekanisme yang
+relevan dengan penelitian ini adalah sebagai berikut.
+
+**Pembentukan local prototype.** Untuk kelas `j` yang memiliki `N_ij > 0` sampel pada client `i`,
+local prototype dihitung sebagai rata-rata embedding sampel kelas tersebut:
+
+```
+C_ij = (1 / N_ij) * Σ_k z_ijk
+```
+
+dengan `z_ijk` adalah embedding sampel ke-`k` pada kelas `j`.
+
+**Agregasi di server.** Client mengirim parameter model dan local prototype ke server. Pada
+Persamaan (2) PROTEAN, global prototype kelas `j` dihitung sebagai rata-rata sederhana dari
+`M` peserta:
+
+```
+Cbar_j = (1 / M) * Σ_i C_ij
+```
+
+Perlu dicatat bahwa Gambar 1 pada paper menggunakan istilah "Weighted averaging", tetapi
+Persamaan (2) tidak memuat bobot berdasarkan `N_ij`. Rujukan formal yang digunakan dalam
+penelitian ini adalah persamaan tersebut.
+
+**Pemanfaatan global prototype.** Server mengirimkan model global dan global prototype kembali ke
+client. Objective pelatihan lokal menggabungkan classification loss, prototype alignment terhadap
+global prototype, dan model parameter alignment. Pada inferensi, sampel baru diberi label kelas
+yang global prototype-nya memiliki jarak L2 terkecil terhadap embedding sampel. Karena global
+prototype dipakai sebagai acuan alignment sekaligus sebagai pembanding saat inferensi, posisinya
+berpengaruh langsung pada hasil klasifikasi.
+
+**Ambiguitas penanganan kelas tidak tersedia.** Persamaan (2) menjumlahkan `M` peserta, tetapi
+tidak menjelaskan perlakuan ketika suatu client tidak memiliki kelas `j`. Dalam penelitian ini,
+himpunan peserta agregasi didefinisikan sebagai
+`S_j = { i | N_ij > 0 dan local prototype C_ij tersedia }`. Definisi ini merupakan asumsi
+reproduksi karena kode resmi PROTEAN tidak tersedia untuk diverifikasi. Konsekuensinya, hasil
+penelitian ini bersifat kondisional terhadap asumsi tersebut.
+
+## 2.5 Support-Weighted Prototype Aggregation dan Penelitian Terkait
+
+Pembobotan prototype berdasarkan jumlah sampel kelas sudah ada pada penelitian sebelumnya. FedProto
+(Tan et al., 2022) merupakan contoh yang membahas pembobotan prototype dengan melibatkan jumlah
+sampel kelas pada pembelajaran federasi yang heterogen. Karena itu, kebaruan penelitian ini tidak
+dapat dibangun hanya dari penggunaan `N_ij` atau penambahan parameter `β`.
+
+Yang membedakan penelitian ini adalah penerapannya secara terkendali pada agregasi prototype
+PROTEAN, pemilihan `β` melalui validasi, evaluasi berpasangan pada beberapa kondisi non-IID, serta
+analisis mekanisme yang menghubungkan dukungan sampel, bobot kontribusi, pergeseran prototype, dan
+kinerja kelas langka sampai ke tingkat klien. Dengan kata lain, kontribusi diarahkan pada
+pemahaman perilaku mekanisme, bukan pada klaim bahwa pembobotan berbasis jumlah sampel belum pernah
+ada.
+
+## 2.6 Posisi Penelitian
+
+Secara ringkas, posisi penelitian ini dapat digambarkan sebagai berikut. Penelitian berbasis
+prototype untuk FL sudah ada, dan PROTEAN sudah menerapkannya pada konteks IDS non-IID.
+Pembobotan prototype dengan jumlah sampel kelas juga sudah dibahas di penelitian lain. Yang masih
+belum memadai adalah pemahaman mengenai bagaimana pembobotan dukungan yang dikendalikan `β`
+mengubah global prototype PROTEAN dan kapan perubahan tersebut berdampak pada deteksi kelas langka.
+Penelitian ini menempati posisi tersebut dengan membatasi diri pada agregasi prototype di server dan
+menganalisis perilakunya pada beberapa kondisi non-IID.
+
+Tabel berikut hanya memuat penelitian yang didukung oleh rujukan yang tersedia di repositori.
+
+| Studi | Fokus | Pembobotan prototype | IDS non-IID | Analisis kelas langka | Perbedaan dengan penelitian ini |
+|---|---|---|---|---|---|
+| Chennoufi et al. (2025), PROTEAN | Federated IDS berbasis prototype untuk data non-IID | Rata-rata sederhana pada Persamaan (2); tidak memuat bobot `N_ij` | Ya | Membahas kelas serangan dengan sampel paling sedikit | Penelitian ini menambahkan pembobotan dukungan terkendali `β` dan analisis mekanisme pada satu komponen agregasi |
+| Tan et al. (2022), FedProto | Federated prototype learning pada client heterogen | Melibatkan jumlah sampel kelas | Tidak khusus IDS | Tidak difokuskan pada deteksi serangan langka | Penelitian ini berfokus pada agregasi prototype PROTEAN dan kinerja kelas langka pada IDS non-IID |
+
+Catatan: tinjauan pustaka ini masih terbatas pada dua rujukan yang sudah terverifikasi di
+repositori. Penambahan rujukan FL-IDS dan non-IID lain diperlukan, dan metadatanya perlu
+diverifikasi terlebih dahulu.
+
+---
+
+# BAB III — METODOLOGI PENELITIAN
+
+## 3.1 Desain Penelitian
+
+Penelitian ini merupakan studi eksperimental terapan. Satu komponen PROTEAN, yaitu agregasi
+prototype di server, dimodifikasi melalui pembobotan dukungan sampel kelas yang dikendalikan
+parameter `β`. Komponen lain dipertahankan sama dengan baseline. Evaluasi dilakukan secara
+berpasangan: untuk setiap kombinasi dataset, tingkat non-IID, dan random seed, seluruh kandidat
+`β` serta baseline menggunakan partisi, split, dan hyperparameter yang identik. Dengan cara ini,
+perbedaan hasil dapat ditelusuri ke mekanisme agregasi dan bukan ke perbedaan data atau
+konfigurasi pelatihan.
+
+## 3.2 Dataset
+
+Penelitian menggunakan dua dataset IDS yang berbeda karakteristiknya.
+
+1. **X-IIoTID.** Dataset ini mencakup 820.834 baris dan 68 kolom. Label multi-kelas yang digunakan
+   adalah `class2`, dengan label benign `Normal`. Satu kelas, yaitu `crypto-ransomware`, dihapus
+   mengikuti paper karena jumlah instance validnya sangat sedikit. Setelah penghapusan tersebut
+   terdapat 9 kelas (1 benign dan 8 kelas serangan).
+2. **5G-NIDD.** Dataset ini mencakup 1.215.890 baris dan 52 kolom. Label multi-kelas yang
+   digunakan adalah `Attack Type`, dengan label benign `Benign`. Terdapat 9 kelas (1 benign dan
+   8 kelas serangan).
+
+Kedua dataset memiliki label benign dan sejumlah kelas serangan, sehingga sesuai untuk evaluasi
+kelas langka. Rincian karakteristik dan anomali tiap dataset dicatat pada dokumen inspeksi dataset
+di repositori.
+
+## 3.3 Preprocessing dan Data Split
+
+Preprocessing dilakukan dengan resep yang sama untuk kedua dataset dan diterapkan secara identik
+pada semua varian agregasi. Statistik preprocessing, seperti kategori one-hot encoding, nilai
+median untuk imputasi, dan standardisasi fitur numerik, dihitung hanya dari data training. Data
+validasi dan pengujian tidak boleh memengaruhi tahap ini.
+
+Pembagian data dilakukan secara deterministik dan terstratifikasi per kelas dengan proporsi
+training, validasi, dan pengujian sebesar 70%, 10%, dan 20%. Proporsi pengujian 20% mengikuti
+pengaturan paper, sedangkan pemisahan validasi merupakan keputusan proyek yang diperlukan untuk
+pemilihan `β`. Setiap kombinasi dataset dan random seed menghasilkan satu split tetap, dan split
+tersebut digunakan kembali untuk seluruh kandidat `β`.
+
+Partisi dan split disimpan sebagai manifest deterministik yang memuat `N_ij` per client dan kelas,
+metadata split, serta hash konten. Manifest ini digunakan kembali tanpa regenerasi pada setiap
+eksperimen, sehingga perbandingan tetap berpasangan.
+
+## 3.4 Pembentukan Kondisi Non-IID
+
+Kondisi non-IID dibentuk dengan distribusi Dirichlet simetris pada data training, dengan nilai `α`
+sebesar 0,75; 0,50; dan 0,25. Semakin kecil nilai `α`, semakin tidak merata sebaran kelas
+antarklien. Prosedur alokasi dijalankan secara deterministik dari data training, dan sebagian
+client dapat menerima nol sampel untuk suatu kelas; kelas seperti itu menjadi kelas yang tidak
+tersedia pada client tersebut.
+
+Nilai `α` adalah parameter konfigurasi yang memengaruhi seberapa timpang data secara umum, tetapi
+tidak cukup untuk menggambarkan kondisi yang terealisasi. Karena itu, untuk setiap partisi dicatat
+statistik seperti total sampel per kelas, jumlah client yang memiliki kelas tersebut, koefisien
+variasi `N_ij` antarclient penyumbang, dan rasio maksimum terhadap minimum. Random seed yang
+berbeda dapat menghasilkan distribusi terealisasi yang berbeda meskipun `α`-nya sama, sehingga
+ketimpangan yang terealisasi perlu diukur, bukan hanya diasumsikan dari `α`.
+
+## 3.5 Baseline PROTEAN
+
+Baseline penelitian adalah reproduksi PROTEAN. Pada tahap agregasi, server menggabungkan model
+client dengan rata-rata sederhana dan menggabungkan local prototype menjadi global prototype.
+Local prototype kelas `j` pada client `i` dihitung sebagai rata-rata embedding sampel kelas
+tersebut, dan global prototype kelas `j` dihitung dari local prototype client yang menyumbang kelas
+tersebut.
+
+Karena Persamaan (2) PROTEAN tidak menjelaskan penanganan kelas yang tidak tersedia, baseline
+menggunakan asumsi peserta agregasi `S_j = { i | N_ij > 0 dan C_ij tersedia }` dengan bobot seragam
+`1/|S_j|`. Asumsi ini didokumentasikan sebagai asumsi reproduksi dan tidak diverifikasi terhadap
+kode resmi. Perbedaan hasil antara baseline dan formulasi usulan harus diinterpretasikan dengan
+mempertimbangkan asumsi tersebut.
+
+## 3.6 Metode yang Diusulkan
+
+Mekanisme yang diusulkan mengatur bobot kontribusi setiap client berdasarkan dukungan sampel kelas
+`N_ij`, dengan kekuatan yang dikendalikan parameter `β` pada rentang `0 ≤ β ≤ 1`. Bobot client `i`
+untuk kelas `j` adalah:
+
+```
+w_ij = N_ij^β
+```
+
+Global prototype kelas `j` dihitung sebagai rata-rata terbobot:
+
+```
+Cbar_j(β) = ( Σ_{i ∈ S_j} N_ij^β C_ij ) / ( Σ_{i ∈ S_j} N_ij^β )
+```
+
+Interpretasi nilai `β`:
+
+- `β = 0` memberi bobot yang sama kepada semua client dalam `S_j`, sehingga setara dengan
+  pembobotan seragam. Nilai ini merupakan kontrol, bukan otomatis identik dengan baseline PROTEAN
+  kecuali himpunan peserta dan penanganan kelas tidak tersedia juga sama.
+- `0 < β < 1` memberi pengaruh dukungan sampel yang lebih moderat; client dengan `N_ij` lebih besar
+  memperoleh bobot lebih besar, tetapi tidak sepenuhnya proporsional.
+- `β = 1` memberi bobot sebanding dengan jumlah sampel kelas. Karena local prototype adalah rata-rata
+  embedding, hasil agregasinya setara dengan rata-rata seluruh embedding kelas `j` yang disertakan
+  pada round tersebut.
+
+`N_ij` adalah ukuran dukungan sampel, bukan skor kualitas prototype. Pembobotan yang lebih besar
+tidak berarti prototype tersebut lebih benar; yang diuji adalah pengaruh pengaturan bobot terhadap
+global prototype dan deteksi.
+
+Penelitian ini juga memisahkan dua jenis efek. Efek agregasi langsung diukur pada satu langkah
+dengan local prototype dan `N_ij` yang tetap, tanpa pelatihan ulang. Efek pelatihan menyeluruh
+diukur melalui pelatihan federasi penuh. Kedua jenis efek ini dianalisis secara terpisah agar
+pergeseran prototype tidak disamakan dengan perubahan kinerja deteksi.
+
+## 3.7 Definisi Rare Class dan Unseen Class
+
+Kelas langka ditentukan dari data training setiap client, sebelum pemilihan `β`, untuk menghindari
+kebocoran informasi dari data validasi atau pengujian.
+
+Untuk setiap client:
+
+- kelas langka adalah dua kelas serangan dengan jumlah sampel training positif paling sedikit;
+- jika hanya ada satu kelas serangan yang tersedia, kelas tersebut yang digunakan;
+- jika tidak ada kelas serangan yang tersedia, client tersebut tidak diikutsertakan dalam
+  perhitungan metrik kelas langka;
+- kelas benign tidak pernah dianggap kelas langka.
+
+Kelas serangan dengan `N_ij = 0` pada client didefinisikan sebagai **unseen class** dan dievaluasi
+secara terpisah. Kelas langka dan kelas unseen tidak pernah digabungkan dalam satu metrik, karena
+keduanya mengukur hal yang berbeda: kelas langka diuji pada client yang memiliki sedikit sampel,
+sedangkan kelas unseen diuji pada client yang tidak memiliki sampel sama sekali.
+
+## 3.8 Protokol Pemilihan Beta
+
+Pemilihan `β` dilakukan dengan aturan berikut.
+
+**PRIMARY.** Untuk setiap kandidat `β`, hitung metrik rare-class macro-F1 per client pada data
+validasi, lalu rata-ratakan pada client yang memiliki kelas langka dalam satu seed. Skor tiap
+kandidat kemudian dirata-ratakan lintas seed untuk membentuk skor pooled pada satu kondisi non-IID.
+Nilai `β` terpilih adalah kandidat dengan skor pooled validasi terbaik. Jika terjadi seri, urutan
+tie-break yang digunakan adalah: pooled rare recall yang lebih tinggi, lalu standar deviasi
+antarseed yang lebih kecil, lalu nilai `β` yang lebih kecil.
+
+**SECONDARY.** Pemilihan `β` per seed dihitung hanya sebagai diagnostik kestabilan. Hasil per seed
+bukan aturan pemilihan kondisi.
+
+Data pengujian tidak digunakan pada tahap PRIMARY maupun SECONDARY. Setelah `β` terpilih dan
+ditetapkan, barulah data pengujian dievaluasi. Nilai yang dilaporkan adalah kandidat terbaik di
+antara nilai yang diuji pada prosedur validasi tersebut, bukan klaim optimum global.
+
+## 3.9 Skenario Eksperimen
+
+Rancangan evaluasi mencakup kombinasi berikut:
+
+```
+2 dataset
+× 3 nilai α (0,75; 0,50; 0,25)
+× 3 random seed (0, 1, 2)
+× (baseline original PROTEAN + 5 kandidat β)
+```
+
+Untuk setiap kombinasi dataset, `α`, dan seed, seluruh kandidat `β` dan baseline dilatih dan
+dievaluasi menggunakan partisi serta hyperparameter yang sama. Konfigurasi pelatihan yang
+dipertahankan sama meliputi jumlah client 10, jumlah communication round 10, jumlah local epoch 3,
+batch size 256, optimizer Adam dengan learning rate 1e-3, parameter `μ` sebesar 0,1 pada model
+parameter alignment, dan parameter `λ` sebesar 1,0 pada prototype alignment.
+
+## 3.10 Metrik Evaluasi
+
+Metrik utama penelitian ini adalah **rare-class macro-F1 per client**, dihitung pada client yang
+memiliki kelas langka, lalu dirata-ratakan antarklien dan antarseed. Metrik ini dipilih karena
+memberi gambaran kinerja pada kelas serangan yang jarang dan tidak tersembunyi oleh kelas yang
+dominan.
+
+Metrik pendukung yang dilaporkan meliputi:
+
+- recall kelas langka;
+- macro-F1 keseluruhan;
+- weighted-F1 dan akurasi, sebagai perbandingan dengan pengaturan paper;
+- hasil per klien;
+- pergeseran prototype `||Cbar_j(β) − Cbar_j(0)||` untuk analisis efek agregasi langsung;
+- statistik ketimpangan yang terealisasi, seperti koefisien variasi `N_ij` dan jumlah sel kelas
+  yang tidak tersedia pada client.
+
+Jumlah sampel evaluasi untuk kelas langka juga dicatat agar metrik tidak ditafsirkan tanpa melihat
+besarnya dukungan evaluasi.
+
+## 3.11 Analisis Hasil
+
+Analisis hasil direncanakan mencakup:
+
+- kurva validasi `β` pada setiap kondisi non-IID;
+- nilai `β` terpilih pada setiap kondisi;
+- perbandingan deskriptif antara `β` terpilih dan baseline original PROTEAN;
+- karakterisasi ketimpangan yang terealisasi;
+- pergeseran prototype dan kaitannya dengan ketimpangan dukungan;
+- perilaku per klien, yaitu jumlah client yang membaik, memburuk, atau tidak berubah;
+- perbandingan lintas `α` pada satu dataset;
+- perbandingan lintas dataset pada tingkat `α` yang sama.
+
+Dengan hanya tiga random seed per kondisi, penelitian ini tidak menjanjikan pengujian signifikansi
+statistik. Analisis ditekankan pada nilai rata-rata, variasi antarseed, dan pola yang dapat
+ditelusuri dari artefak yang tersimpan.
+
+## 3.12 Validitas dan Reproducibility
+
+Aspek yang dijaga untuk mendukung validitas dan reproduktibilitas:
+
+1. **Perbandingan berpasangan.** Untuk setiap kombinasi dataset, `α`, dan seed, semua kandidat `β`
+   menggunakan partisi, split, keanggotaan client, pemetaan kelas, dan hyperparameter yang sama.
+2. **Manifest beku.** Partisi dan split disimpan sebagai manifest deterministik dan digunakan
+   kembali tanpa regenerasi.
+3. **Pemisahan validasi dan pengujian.** Data validasi digunakan untuk memilih `β`; data pengujian
+   hanya digunakan setelah `β` ditetapkan.
+4. **Data mentah tidak berubah.** Dataset mentah berada di luar repositori dan hanya dibaca.
+   Hash-nya dicatat untuk verifikasi integritas.
+5. **Sumber beku.** Arsitektur, agregasi model, fungsi loss, dan aturan inferensi tidak diubah
+   selama eksperimen akhir.
+6. **Artefak machine-readable.** Hasil analisis disimpan dalam format CSV/JSON agar dapat
+   diverifikasi ulang.
+7. **Asumsi `S_j`.** Penanganan kelas yang tidak tersedia merupakan asumsi reproduksi, sehingga
+   seluruh hasil bersifat kondisional terhadap asumsi tersebut.
+8. **Divergensi floating-point.** `β = 0` setara secara semantik dengan rata-rata seragam pada
+   `S_j`, tetapi kesamaan bitwise dengan baseline tidak dijamin karena urutan operasi
+   floating-point.
+
+---
+
+# STUDI PENDAHULUAN
+
+Bagian ini bersifat opsional dan hanya digunakan untuk menunjukkan kelayakan pelaksanaan. Isinya
+tidak dimaksudkan sebagai laporan hasil akhir.
+
+Sebuah uji awal pada skala terbatas telah dilakukan untuk memastikan bahwa pipeline pelatihan,
+pembentukan partisi non-IID, dan agregasi prototype dapat dijalankan. Dari uji tersebut diperoleh
+beberapa indikasi awal:
+
+1. **Kelayakan implementasi.** Baseline PROTEAN dan mode pembobotan `β` dapat dijalankan pada
+   kedua dataset dengan konfigurasi yang sama.
+2. **Ketimpangan dukungan nyata.** Pada kondisi non-IID yang diuji, jumlah sampel kelas `N_ij`
+   antarclient memang berbeda cukup besar, sehingga isu pembobotan relevan untuk diteliti.
+3. **Perubahan `β` menggeser prototype.** Mengubah `β` pada satu langkah agregasi dengan local
+   prototype yang tetap mengubah posisi global prototype, sejalan dengan rumus yang diusulkan.
+4. **Preferensi kandidat dapat berbeda antar kondisi.** Indikasi awal menunjukkan bahwa kandidat
+   `β` yang tampak lebih baik pada validasi dapat berbeda antara satu kondisi non-IID dan kondisi
+   lainnya, sehingga pemilihan `β` perlu dilakukan per kondisi.
+
+Indikasi di atas menjadi dasar untuk menjalankan protokol evaluasi lengkap pada Bab III. Studi
+pendahuluan ini tidak digunakan untuk menarik kesimpulan akhir mengenai kinerja deteksi kelas
+langka.
+
+---
+
+# CATATAN PERBAIKAN BERDASARKAN UMPAN BALIK AKADEMIK
+
+Bagian ini bersifat internal untuk keperluan review dan tidak harus disertakan pada dokumen resmi.
+
+**Arah penelitian sebelumnya.** Rancangan awal mencakup lingkup yang lebih luas, yaitu studi
+preservasi kelas langka dengan beberapa mekanisme sekaligus, termasuk Differential Privacy dan
+beberapa keluarga intervensi. Pada rancangan tersebut, banyak komponen berubah bersamaan sehingga
+sulit menisbahkan perubahan kinerja kepada satu mekanisme tertentu. Kontribusi berisiko menjadi
+perbandingan besar, bukan kajian metodologis yang fokus.
+
+**Arah penelitian saat ini.** Lingkup dipersempit menjadi satu metode (PROTEAN), satu komponen
+(agregasi prototype di server), satu isu (local prototype dengan dukungan sampel yang berbeda dapat
+berkontribusi sama), dan satu mekanisme yang dapat disetel (`β`). Analisis diarahkan pada rantai:
+ketimpangan dukungan → bobot kontribusi → pergeseran global prototype → deteksi kelas langka →
+dampak per klien.
+
+**Alasan metodologis.** Dengan memodifikasi satu komponen dan mempertahankan sisanya tetap, efek
+pembobotan dapat diinterpretasikan lebih jelas. Evaluasi berpasangan pada beberapa kondisi non-IID
+memungkinkan pembahasan kapan pembobotan membantu, berdampak kecil, atau merugikan, tanpa harus
+mengklaim keunggulan umum. Penambahan validasi untuk memilih `β` juga memisahkan proses pemilihan
+dari data pengujian.
+
+**Catatan judul.** Judul saat ini dipertahankan. Kata "Optimasi" dapat dipahami sebagai pencarian
+terbaik di antara kandidat `β` yang diuji. Jika diperlukan penekanan bahwa yang dicari bukan
+optimum global, frasa seperti "Penyesuaian Terkendali" atau "Penalaan" dapat dipertimbangkan pada
+penyempurnaan judul. Penggantian judul tidak dilakukan pada draf ini.
+
+---
+
+# DAFTAR PUSTAKA
+
+Chennoufi, S., Han, Y., Blanc, G., De Cristofaro, E., & Kiennert, C. (2025). PROTEAN: Federated
+Intrusion Detection in Non-IID Environments through Prototype-Based Knowledge Sharing. In
+*Proceedings of the 30th European Symposium on Research in Computer Security (ESORICS 2025)*
+(pp. 103–125). Springer. DOI: 10.1007/978-3-032-07884-1_6. arXiv:2507.05524v1.
+
+Tan, Y., Long, G., Liu, L., Zhou, T., Lu, Q., Jiang, J., & Zhang, C. (2022). FedProto: Federated
+Prototype Learning across Heterogeneous Clients. In *Proceedings of the AAAI Conference on
+Artificial Intelligence*, 36(8), 8432–8440.
+
+**Catatan referensi.** Dua rujukan di atas sudah didukung oleh dokumen di repositori. Rujukan
+tambahan mengenai FL untuk IDS, data non-IID, dan deteksi serangan langka masih diperlukan untuk
+memperkuat Bab II. Metadata rujukan tambahan tersebut belum tersedia di repositori dan harus
+diverifikasi terlebih dahulu sebelum dimasukkan; tidak ada metadata yang diisi berdasarkan
+perkiraan.