In unfamiliar situations, a deep understanding is crucial for determining the appropriate response, including in the geopolitical conflict between Russia and Ukraine. This study aims to explore the conflict further and analyze attack patterns using machine learning. The dataset includes Russian attacks on Ukraine from October 2022 to July 2024. This research encompasses several types of analysis, including predictive impact analysis, geospatial analysis, and association analysis. The predictive impact analysis employs logistic regression and random forest models. The results indicate that random forest better captures complex data patterns, with an AUC of 0.56 compared to 0.5 for logistic regression. However, logistic regression has a higher recall of 1.0 compared to 0.98 for random forest. Feature importance analysis from the random forest model identifies three key factors influencing attacks: missile model category (Model Num), missile carrier category (Carrier Num), and the number of missiles launched (Launched). Geospatial analysis is used to map attack patterns through visualization with the Pydeck library. Data processing involves merging location datasets with latitude and longitude coordinates, requiring approximately three hours of processing time. The results reveal several locations that are more frequently targeted in attacks. Meanwhile, association analysis using the Apriori algorithm successfully identifies five strong condition pairs from 1,421 analyzed data rows. A lift value greater than one indicates a significant correlation between specific attack variables. The findings of this study are expected to contribute to the development of more effective defense strategies to minimize casualties and damage caused by attacks. / Dalam menghadapi situasi yang belum dikenal, pemahaman yang mendalam sangat penting untuk menentukan respons yang tepat, termasuk dalam konflik geopolitik antara Rusia dan Ukraina. Penelitian ini bertujuan untuk menggali lebih dalam peristiwa tersebut serta menganalisis pola serangan menggunakan machine learning. Data yang digunakan mencakup serangan Rusia terhadap Ukraina dari Oktober 2022 hingga Juli 2024. Penelitian ini mencakup beberapa analisis mulai dari analisis prediktif dan dampak, geospasial, dan asosiasi. Analisis prediktif dan dampak menggunakan model regresi logistik dan random forest. Hasilnya menunjukkan bahwa random forest lebih mampu menangkap pola data yang kompleks dengan nilai AUC 0.56 dibandingkan regresi logistik yang hanya mencapai 0.5. Namun, regresi logistik memiliki recall lebih tinggi sebesar 1.0 dibandingkan dengan 0.98 pada random forest. Analisis feature importance dari random forest mengidentifikasi tiga fitur utama yang paling berpengaruh dalam serangan, yaitu kategori model rudal (Model Num), kategori pembawa rudal (Carrier Num), dan jumlah rudal yang diluncurkan (Launched). Analisis geospasial digunakan untuk memetakan pola serangan dengan visualisasi menggunakan pustaka Pydeck. Pengolahan data melibatkan penggabungan dataset lokasi dengan koordinat garis lintang dan bujur, yang memerlukan waktu pemrosesan sekitar tiga jam. Hasil analisis menunjukkan beberapa lokasi yang lebih sering menjadi target serangan. Sementara itu, analisis asosiasi dengan algoritma apriori berhasil menemukan lima pasangan kondisi dengan hubungan yang kuat dari 1.421 baris data yang dianalisis. Nilai lift lebih dari satu menunjukkan bahwa pola serangan memiliki keterkaitan signifikan antara variabel tertentu. Diharapkan hasil penelitian ini dapat berkontribusi dalam pengembangan strategi pertahanan yang lebih efektif guna mengurangi korban jiwa dan kerusakan akibat serangan.