Paduan ingat bentuk Cu-Al-Mn merupakan material cerdas menjanjikan yang murah biaya; namun, kinerja dan suhu transformasinya sangat sensitif terhadap komposisi paduan. Dalam penelitian ini, pembelajaran mesin Extreme Gradient Boosting (XGBoost) diterapkan untuk memodelkan suhu martensite start (Ms) paduan Cu-Al-Mn. Paduan Cu-26,24Al-7,77Mn (at. %) digunakan untuk memvalidasi model dan menyelidiki pengaruh perlakuan panas terhadap struktur mikro dan sifat memori bentuk. Paduan tersebut dibuat dengan pengecoran gravitasi, dihomogenisasi pada suhu 900 ºC selama 2 jam, dibetatisasi pada suhu 900 ºC selama 30 menit, dan kemudian didinginkan menggunakan metode pencelupan langsung (DQ) dan pencelupan naik (UQ). Model XGBoost yang dikembangkan menghasilkan nilai R2, MAE, RMSE sebesar 0,98, 4,82, dan 10,67, memprediksikan Ms sebesar -174 ºC—mendekati suhu aktual (-190 ºC) yang diperoleh melalui pengujian resistivitas listrik. Hasil pengamatan mikroskop optik dan elektron bersama dengan analisis difraksi x-ray menunjukkan struktur fasa ganda β(L21) + γ dalam sampel as-cast dan setelah homogenisasi sedangkan fasa β(L21) tunggal diamati pada sampel perlakuan DQ dan UQ. Proses perlakuan panas mengakibatkan pertumbuhan butir dan penurunan nilai kekerasan mikrovickers, sesuai dengan persamaan Hell-Petch. Ditemukan bahan pengotor Fe (0,43 at. %) menyebabkan pertumbuhan butir abnormal pada sampel yang diberi perlakuan panas, di mana satu butir abnormal mencapai ukuran hingga ~15 mm. Sampel DQ dan UQ masing-masing mencapai pemulihan regangan 92,1 dan 100%. Perlakuan UQ diperkirakan mengurangi jumlah vakansi yang terperangkap akibat pencelupan dan derajat pinning pada antarmuka martensit.

---

Cu-Al-Mn shape memory alloys show great promise as low-cost smart materials; however, their performance and transformation temperatures are sensitive towards alloy composition. In this study, Extreme Gradient Boosting (XGBoost) machine learning was applied to model the martensite start (Ms) temperature of Cu-Al-Mn alloys. Cu-26.24Al-7.77Mn (at. %) alloy was used to validate the model and investigate the influence of heat treatment on microstructure and shape memory properties. The alloy was gravity cast, homogenized at 900 ºC for 2 hours, betatized at 900 ºC for 30 minutes, and quenched using direct quenching (DQ) and up-quenching (UQ) methods. The refined XGBoost model delivered R2, MAE, RMSE scores of 0.98, 4.82, and 10.67, predicting an Ms of -174 ºC— close to the actual - 190 ºC obtained by electrical resistivity measurements. Optical and electron microscopy along with X-ray diffraction analyses revealed a dual-phase β(L21) + γ structure in as-cast and as-homogenized samples while a single β(L21)-phase in DQ and UQ treated samples. The heat treatment process resulted in grain growth of the alloy which also reduced Vickers microhardness values, consistent with the Hell-Petch relation. Notably, Fe (0.43 wt. %) impurity induced abnormal grain growth in heat-treated samples, with an abnormal grain reaching up to ~15 mm. DQ and UQ samples achieved 92.1 and 100% strain recovery, respectively. UQ treatment was thought to reduce the number of quenched-in vacancies and the degree of pinning on the martensite interface.