Hasil Pencarian  ::  Simpan CSV :: Kembali

"Model Predictive Control (MPC) merupakan sistem pengendalian yang menggunakan model berdasarkan data hasil pengukuran keluaran (output) saat ini atau masa sebelumnya untuk memprediksi nilai dari variabel proses (input) pada masa yang akan datang. Pada penelitian ini, sistem pengendalian MPC digunakan untuk menangani pengendalian proses variabel jamak dalam unit operasi Continous Stirred Tank Reactor (CSTR) dengan reaksi pembuatan propylene glycol. Model dinamik sesuai dengan kondisi operasi yang dapat mewakili interaksi antara variabel jamak dibuat untuk diterapkan pada sistem pengendali. Sistem pengendalian proses disimulasikan dengan menggunakan perangkat lunak Unisim R390.1. Simulasi pengendalian proses dilakukan untuk menghasilkan performa pengendalian yang optimum dan untuk mengendalikan variable jamak yang saling berinteraksi dalam sistem pada CSTR. Optimasi pada sistem pengendalian dilakukan dengan cara tuning terhadap parameter-parameter MPC seperti model horizon (N), waktu sampel (T), prediction horizon (P), dan control horizon (M).Hasil dari simulasi menunjukkan Model F sebagai model dinamik terbaik pada pengendali MPC multivariable mampu menangani jangkauan perubahan setpoint dalam rentang perubahan yang kecil dari 0,33 ke 0,331 dengan IAE sebesar 0,10602. Secara keseluruhan, pengendali MPC belum dapat mengendalikan sistem CSTR secara optimum berdasarkan nilai IAE, namun pengendali MPC lebih mampu menjaga kestabilan sistem dibandingkan dengan pengendali PI.Model Predictive Control (MPC) are control system which use model based on value output variable at present or past to predict value of future process variable. In this research, MPC control system use to handle multivariable process control in unit operation Continous Stirred Tank Reactor (CSTR) with propylene glycol reaction system. Dynamics model based on operating condition which representative interaction between multivariable are made to implement in control system. Process control system simulating in Unisim R390.1 software. The simulation of process control aims to achieve optimum performance of controller and to control interaction between multivariable in CSTR system. Optimasion will be doing in system control with MPC parameters tuning such as model horizon (N), time sampling (T), prediction horizon (P), and control horizon (M).

The Results show that Model F as the best model in MPC multivariable can control the change of setpoint in short length from 0,33 to 0,331 with 0,10602 IAE. Overall, MPC controller can?t controlled CSTR system with optimum result based on IEA value, but MPC can make system more stabile than PI controller."

"ABSTRAKKolom destilasi merupakan salah satu unit operasi yang paling banyak digunakan di dunia industri dan memerlukan pengendalian proses yang lebih lanjut karena memiliki sistem multi input multi oputput (MIMO) atau sistem multivariable yang sulit untuk dikendalikan. Model predictive control (MPC) merupakan salah satu pengendali alternatif yang dikembangkan untuk mengatasi pengendalian yang memiliki sistem MIMO dengan interaksi diantara lup-lup yang dikendalikannya. Penelitian ini bertujuan untuk mendapatkan model dinamik dari pengendalian proses pada kolom destilasi menggunakan MPC serta mendapatkan kinerja pengendali MPC yang optimum. Pengendalian proses kolom desitlasi dilakukan dengan mensimulasikan model dinamik dari kolom destilasi pada perangkat lunak UNISIM R390.1. Proses optimasi dilakukan dengan tuning terhadap parameter-parameter pengendali MPC seperti sampling time (T=1-240 s), prediction horizon (P=1-400), dan control horizon (M=1-400). Hasil simulasi dari pengendalian dengan MPC selanjutnya akan diuji dan dibandingkan dengan hasil pengendalian PI, menggunakan parameter pengujian Integral Absolute Error (IAE). Pengendali MPC memberikan kinerja lebih baik dibandingkan dengan pengendali PI untuk range set point 0,95 sampai 0,94 pada komposisi produk destilate menggunakan model 1 yang dimodifikasi dengan IAE 0,0584 untuk pengendali MPC dan 0,0782 untuk IAE pengendali PI

---

AbstractDistillation columns are widely used in chemical industry as unit operation and required advance process control because it has multi input multi output (MIMO) or multivariable system, which is hard to be controlled. Model predictive control (MPC) is one of alternative controller develoved for MIMO system due to loops interaction to be controlled. This study aimed to obtain dynamic model of process control on a distillation column using MPC, and to get the optimum performance of MPC controller. Process control in distillation columns performed by simulating the dynamic models of distillation columns by UNISIM R390.1 software. The optimization process was carried out by tuning the MPC controller parameters such as sampling time ( t = 1 ? 240 s), prediction horizon (p = 1-400), and the control horizon (M=1-400). The comparison between the simulation result of MPC obtained with the simulation result of PI controller is presented and Integral Absolut Error (IAE) was used as comparison parameter. Then, result indicate that the performance of MPC is better then PI controller for set point range 0.95 to 0.94 on destillate product composition using a modified model 1 with IAE 0.0584 for MPC controller and 0.0782 for PI controller"

"Kolom destilasi merupakan salah satu unit operasi yang paling banyak digunakan di dunia industri dan memerlukan pengendalian proses yang lebih lanjut karena memiliki sistem multi input multi oputput (MIMO) atau sistem multivariable yang sulit untuk dikendalikan. Model predictive control (MPC) merupakan salah satu pengendali alternatif yang dikembangkan untuk mengatasi pengendalian yang memiliki sistem MIMO dengan interaksi diantara lup-lup yang dikendalikannya. Penelitian ini bertujuan untuk mendapatkan model dinamik dari pengendalian proses pada kolom destilasi menggunakan MPC serta mendapatkan kinerja pengendali MPC yang optimum. Pengendalian proses kolom desitlasi dilakukan dengan mensimulasikan model dinamik dari kolom destilasi pada perangkat lunak UNISIM R390.1. Proses optimasi dilakukan dengan tuning terhadap parameter-parameter pengendali MPC seperti sampling time (T=1-240 s), prediction horizon (P=1-400), dan control horizon (M=1-400). Hasil simulasi dari pengendalian dengan MPC selanjutnya akan diuji dan dibandingkan dengan hasil pengendalian PI, menggunakan parameter pengujian Integral Absolute Error (IAE). Pengendali MPC memberikan kinerja lebih baik dibandingkan dengan pengendali PI untuk range set point 0,95 sampai 0,94 pada komposisi produk destilate menggunakan model 1 yang dimodifikasi dengan IAE 0,0584 untuk pengendali MPC dan 0,0782 untuk IAE pengendali PIDistillation columns are widely used in chemical industry as unit operation and required advance process control because it has multi input multi output (MIMO) or multivariable system, which is hard to be controlled. Model predictive control (MPC) is one of alternative controller develoved for MIMO system due to loops interaction to be controlled. This study aimed to obtain dynamic model of process control on a distillation column using MPC, and to get the optimum performance of MPC controller. Process control in distillation columns performed by simulating the dynamic models of distillation columns by UNISIM R390.1 software. The optimization process was carried out by tuning the MPC controller parameters such as sampling time ( t = 1 ? 240 s), prediction horizon (p = 1-400), and the control horizon (M=1-400). The comparison between the simulation result of MPC obtained with the simulation result of PI controller is presented and Integral Absolut Error (IAE) was used as comparison parameter. Then, result indicate that the performance of MPC is better then PI controller for set point range 0.95 to 0.94 on destillate product composition using a modified model 1 with IAE 0.0584 for MPC controller and 0.0782 for PI controller."

"Biodiesel adalah bahan bakar alternatif pengganti solar yang diperoleh dari sumber-sumber energi yang dapat diperbaharui. Bahan baku utama dari biodiesel adalah minyak tumbuhtumbuhan dan alkohol. Biodiesel dihasilkan salah satunya melalui reaksi trans-esterifikasi. Trans-esterifikasi adalah reaksi antara minyak sawit (triacyglicerol) dengan methanol dibantu Natrium Hidroksida sebagai katalis yang menghasilkan biodiesel (alkyl ester) dan gliserol sebagai produk sampingan. Pada Thesis ini dibahas pemodelan reaksi pembentukan biodiesel dengan penurunan persamaan reaksi dan persamaan energi yang terjadi pada Continous Stirred Tank Reactor (CSTR) biodiesel. Dari model yang diperoleh selanjutnya akan dilakukan simulasi dan linierisasi pada titik kerja. Selanjutnya dirancang sistem kendali untuk mendapatkan kendali yang terbaik. Dari hasil perancangan sistem kendali, sistem berhasil dikendalikan dan memenuhi stabilitas yang diinginkan walaupun masih terdapat overdamped.

---

Biodiesel is an alternatif of renewable fuel for petrodiesel replacement. The main raw materials used for biodiesel is vegetabel oils and alkohol. Biodiesel is produced by trans-esterification reaction. Trans-esterification is the reaction of palm oil (triacyglicerol) and methanol with Natrium Hidroxyde as catalyst which yields biodiesel (alkyl ester) and glycerol as secondary product. This paper will study the modeling of biodiesel reaction by deriving reaction equation and energi equation in biodiesel CSTR. The next step is simulation and linearization in steady state point. The simulation result will become a reference for the best control system design. The system is managed to be controlled eventhough there are still some overdamped."

"Biodiesel adalah bahan bakar alternatif pengganti solar yang diperoleh dari sumber-sumber energi yang dapat diperbaharui. Bahan baku utama dari biodiesel adalah minyak tumbuh-tumbuhan dan alkohol. Biodiesel dihasilkan salah satunya melalui reaksi trans-esterifikasi. Trans-esterifikasi adalah reaksi antara minyak sawit (triacyglicerol) dengan methanol dibantu Natrium Hidroksida sebagai katalis yang menghasilkan biodiesel (alkyl ester) dan gliserol sebagai produk sampingan. Pada Thesis ini dibahas pemodelan reaksi pembentukan biodiesel dengan penurunan persamaan reaksi dan persamaan energi yang terjadi pada Continous Stirred Tank Reactor (CSTR) biodiesel. Dari model yang diperoleh selanjutnya akan dilakukan simulasi dan linierisasi pada titik kerja. Selanjutnya dirancang sistem kendali untuk mendapatkan kendali yang terbaik. Dari hasil perancangan sistem kendali, sistem berhasil dikendalikan dan memenuhi stabilitas yang diinginkan walaupun masih terdapat overdamped.

---

Biodiesel is an alternatif of renewable fuel for petrodiesel replacement. The main raw materials used for biodiesel is vegetabel oils and alkohol. Biodiesel is produced by trans-esterification reaction. Trans-esterification is the reaction of palm oil (triacyglicerol) and methanol with Natrium Hidroxyde as catalyst which yields biodiesel (alkyl ester) and glycerol as secondary product.

This paper will study the modeling of biodiesel reaction by deriving reaction equation and energi equation in biodiesel CSTR. The next step is simulation and linearization in steady state point. The simulation result will become a reference for the best control system design. The system is managed to be controlled eventhough there are still some overdamped."

"Permasalahan terbesar dalam pengendalian reaktor alir tangki berpengaduk adalah sistem yang sangat tidak linear dan multivariabel.Sistem pengendalian konvensional tidak dapat mengontrol sistem semacam ini dengan optimal, sehingga kemurnian produk yang dihasilkan rendah.Multiple Model Predictive Control (MMPC)digunakan untuk mengatasi masalah pengendalian proses yang nonlinear dan melibatkan banyak variabel. Beberapa MPC lokal digunakan pada MMPC diperoleh dengan metode yang baru dikembangkan, Representative Model Predictive Control (RMPC). Penelitian ini menggunakan model reaktor alir tangki berpengaduk yang disimulasikan dengan perangkat lunak MATLAB. Variabel yang dimanipulasi adalah suhu inlet pendingin dan konsentrasi umpan sedangkan variabel yang dikontrol adalah komposisi produk. Untuk perubahan set point konsentrasi produk dari 8,5 sampai 8,6; disarankan menggunakan MMPC 4,1,2.

---

The biggest problem in controlling Continuous Stirred Tank Reactor (CSTR) is nonlinearity in the system. Conventional control system can not optimally control this system, therefore decrease the purity of product. Multiple Model Predictive Control (MMPC), that can be used to control nonlinear and multivariable system, tried to be used on this system. Some local MPC used for MMPC based on new developed method, Representative Model Predictive Control (RMPC).

This thesis using CSTR model which is simulated by MATLAB software. The manipulated variable are cooler inlet temperature and feed concentration, and controlled variable is residual concentration. For the change of residual concentration set point from 8.5 to 8.6 change, the MMPC 4,1,2. is recommended."

"Ester base oil merupakan pelumas alami yang telah diterima secara luas dikarenakan kemampuan pelumasannya yang tinggi, serta keunggulan seperti kinerja suhu rendah, indeks viskositas yang tinggi, pengurangan gesekan yang sangat baik, dan sifat anti aus. Proses sintesis ester base oil melibatkan dua tahapan utama, yaitu oligomerisasi dan esterifikasi. Penelitian ini bertujuan untuk mendapatkan rancangan serta mendesain pengendalian proses pada proses pre- treatment oligomerisasi pabrik ester base oil dengan multivariable model predictive control (MMPC) 4x4. Metode yang digunakan untuk mendapatkan model first order plus dead time (FOPDT) 4x4 adalah dengan cara dilakukan identifikasi sistem menggunakan metode Smith, metode Wade, dan metode Solver. Selanjutnya, ditentukan model FOPDT terbaik dengan membandingkan nilai root- mean-square error (RMSE) terkecil dari setiap metode. Metode tuning yang digunakan untuk MMPC adalah metode Shridhar-Cooper dilanjutkan dengan fine- tuning untuk mendapatkan nilai parameter P (prediction horizon), M (control horizon), dan T (sampling time). Parameter MMPC tersebut akan diuji berdasarkan respon kinerja pengendali terhadap pengujian set point (SP) tracking dan pengujian disturbance rejection. Kinerja MMPC juga akan dibandingkan dengan kinerja pengendali propotional-integral (PI) dengan perhitungan integral absolute error (IAE) dan integral square error (ISE). Hasil identifikasi sistem didapatkan model FOPDT terbaik menggunakan metode Smith yaitu M1V3, M2V1 ; metode Wade yaitu M1V2, M2V3, M2V4, M4V2 ; metode Solver yaitu M1V1, M1V4, M2V2, M3V1, M3V2, M3V3, M3V4, M4V1, M4V3, M4V4. Metode fine-tuning pada penyetelan MMPC menghasilkan parameter P, M, T terbaik masing-masing sebesar 350, 300, dan 2. Pada pengujian SP ttacking, MMPC menunjukkan kinerja terbaik dalam pengendalian suhu sedangkan kinerja pengendali PI lebih baik dalam pengendalian laju alir. Pada pengujian disturbance rejection, kinerja MMPC lebih baik dibandingkan pengendali PI dengan perbaikan kinerja pengendalian sebesar 7,16% - 61,35% untuk nilai IAE dan 13,96% - 88,60% untuk nilai ISE.

---

Ester base oil is a natural lubricant widely accepted due to its high lubricating ability, as well as advantages such as low-temperature performance, high viscosity index, excellent friction reduction, and anti-wear properties. The synthesis process of ester base oil involves two main stages, namely oligomerization and esterification. This research aims to obtain a design and design process control in the pre-treatment process of oligomerization in the ester base oil plant with multivariable model predictive control (MMPC) 4x4. The method used to obtain the first-order plus dead time (FOPDT) 4x4 model is by identifying the system using Smith's method, Wade's method, and Solver's method. Furthermore, the best FOPDT model is determined by comparing the smallest root-mean-square error (RMSE) values from each method. The tuning method used for MMPC is the Shridhar-Cooper method followed by fine-tuning to obtain the parameter values P (prediction horizon), M (control horizon), and T (sampling time). These MMPC parameters will be tested based on controller performance responses to set point (SP) tracking testing and disturbance rejection testing. The performance of MMPC will also be compared with proportional-integral (PI) controllers using integral absolute error (IAE) and integral square error (ISE) calculations. The results of the system identification obtained the best FOPDT model using Smith's method, namely M1V3, M2V1; Wade's method, namely M1V2, M2V3, M2V4, M4V2; Solver's method, namely M1V1, M1V4, M2V2, M3V1, M3V2, M3V3, M3V4, M4V1, M4V3, M4V4 .The fine-tuning method in MMPC tuning resulted in the best P, M, T parameters of 350, 300, and 2 respectively. In SP tracking testing, MMPC showed the best performance in temperature control while PI controller performance was better in flow rate control. In disturbance rejection testing, MMPC performance was better than PI controllers with performance improvement ranging from 7.16% to 61.35% for IAE values and 13.96% to 88.60% for ISE values."

"ABSTRAKMMPC (Multivariable Model Predictive Control) digunakan untuk mengontrol suhu dan tekanan di kilang regasifikasi LNG untuk mengatasi masalah yang saling mempengaruhi variabel dan mengurangi jumlah pengontrol. Ada empat variabel yang dikontrol (variabel terkontrol, CV) dan empat variabel yang dimanipulasi variabel, MV). CV yang dikontrol adalah tekanan di tangki penyimpanan LNG yaitu tekanan keluaran vaporizer, suhu keluaran vaporizer, dan suhu gas ke pipa. MV dimanipulasi, yang masing-masing berpasangan dengan CV tersebut, adalah laju aliran produk tank top, laju aliran gas pipa, laju aliran air laut, dan pemanas tugas. Identifikasi Model empiris FOPDT (First Order Plus Dead-Time) akan dilakukan terhadap keempatnya pasang CV dan MV untuk menggambarkan interaksi antar variabel. FOPDT diperoleh digunakan sebagai pengontrol di MMPC dan menentukan pengaturan kinerja kontrol Parameter MMPC yaitu P (prediction horizon), M (control horizon), T (waktu sampling). Kinerja kontrol diukur dengan menggunakan metode ISE (Integral Square Error). Hasilnya, parameter MMPC (P, M, T) untuk kondisi regasifikasi LNG adalah optimum masing-masing adalah 330, 1, 1. Ukuran ISE dari pengontrol MMPC dalam setpoint pelacakan: 2.12 × 10-4; 23.834; 0,763; 0,085, dengan perkembangan kinerja pengontrol masing-masing 31.262%, 17%, 175%, 757% dibandingkan kinerja MPC.

---

ABSTRACTMMPC (Multivariable Model Predictive Control) is used to control temperature and pressure in the LNG regasification plant to overcome the problem of interplaying variables and reducing the number of controllers. There are four controlled variables (controlled variable, CV) and four manipulated variablesvariable, MV). CV that is controlled is the pressure in the LNG storage tank, namely the vaporizer output pressure, the vaporizer output temperature, and the gas temperature to the pipe. MV manipulated, each of which is paired with the CV, is the tank top product flow rate, the pipeline gas flow rate, the seawater flow rate, and the heating duty. Identification of the FOPDT (First Order Plus Dead-Time) empirical model will be carried out on the four CV and MV pairs to describe the interactions between variables. The obtained FOPDT is used as a controller in the MMPC and determines the control performance settings for the MMPC parameters, namely P (prediction horizon), M (control horizon), T (sampling time). Control performance is measured using the ISE (Integral Square Error) method. As a result, the MMPC parameters (P, M, T) for the optimum LNG regasification conditions were 330, 1, 1. ISE size of the MMPC controller in the tracking setpoint: 2.12 × 10-4; 23,834; 0.763; 0.085, with the development of the controller performance respectively 31,262%, 17%, 175%, 757% compared to the performance of MPC."

"Skenario produksi minyak yang dilakukan Dewan Energi Nasional pada 2050 menunjukan tren penurunan, terutama dipengaruhi oleh rendahnya kegiatan eksplorasi migas dan tingkat keberhasilan eksplorasi yang dilakukan oleh perusahaan minyak Oleh karena itu, DME dapat digunakan sebagai alternatif sumber energi yang lebih ramah lingkungan dan berkelanjutan. Pada pabrik purifikasi DME, umpan diseparasi menghasilkan DME murni dengan konsentrasi 99%. Untuk menjalankan proses ini dalam keadaan optimal, maka diperlukan pengendali. Penelitian mengenai pengendali pada proses ini sudah pernah dilakukan, namun masih menggunakan model dengan pendekatan FOPDT sehingga orde proses masih tidak sesuai dengan aktualnya. Model Auto-Regressive eXogenous merupakan model yang menggambarkan hubungan antara data masukan dengan data keluaran berdasarkan metode least-square sehingga sederhana dan fleksibel serta estimasinya mendekati dengan nilai sebenarnya. Penggunaan model ARX dapat digunakan secara luas seperti pada penggunaan energi, pabrik kimia, dan kilang minyak sejak tahun 1980-an. Oleh karena itu, penelitian ini melakukan identifikasi model ARX pada pengendali MMPC serta melakukan verifikasi model dan menganalisis kinerja dari MMPC tersebut. Hasilnya didapatkan model ARX proses dan model ARX gangguan memiliki tingkat ketepatan dengan data sebesar 93-99% dan 70-97% dengan nilai RMSE 39-99% lebih kecil dari model FOPDT. Kinerja dari MMPC dengan parameter pengendalian terbaik yaitu T=5, P=20, dan M=20 menghasilkan peningkatan nilai IAE dan ISE sebesar 18-99.99% pada perubahan set point namun belum optimal dalam mengatasi gangguan pada suhu keluaran pendingin dan suhu kolom dengan nilai IAE dan ISE yang tinggi dan tidak menunjukkan peningkatan.

---

Oil production scenario carried out by the National Energy Council in 2050 shows a decreased trend, mainly influenced by low oil and gas exploration activities and the success rate of exploration activities carried out by oil companies. Therefore, DME can be used as an alternative energy source that is more environmentally friendly and sustainable. In the DME purification plant, the feed was separated to produce pure DME with a concentration of 99%. To run this process in optimal conditions, a controller is needed. Research on controllers in this process has been carried out, but still uses FOPDT model approach so the process order is still not in accordance with the actual order. Auto-Regressive eXogenous model is a model that describes the relationship between input and output data based on least-square method so the estimate close to the actual value. The application of ARX model can be widely used such as in energy uses, chemical plants, and oil refineries since 1980s. Therefore, this study identifies ARX model on the MMPC controller as well as verifying the model and analyzing its performance. The result obtained that the process ARX model and the disturbance ARX model have fit percentage with data reach 93-99% and 70-97% with RMSE value 39-99% smaller than FOPDT model. The performance of MMPC with best control parameters T=5, P=20, and M=20 has improved IAE and ISE value with 18-99.99% when set point changed but still not optimal for controlling disturbance in cooler output temperature and column temperature with a high IAE and ISE value and not showing improvement."

"Hidrogen merupakan salah satu gas yang memiliki banyak kegunaan. Salah satunya pada industri kimia. Pada pabrik biohidrogen, unit kompresor merupakan salah satu unit yang penting dalam pabrik biohidrogen dari biomassa. Kompresor berfungsi untuk mencapai tekanan tinggi pada kondisi operasi selanjutnya. Multivariable model predictive control (MMPC) digunakan untuk mengendalikan proses pada pabrik. Untuk mendapatkan pengendalian yang optimal, perlu dilakukan penyetelan. Penyetelan akan dilakukan pada Matlab-Simulink yang diintegrasikan dengan Aspen Plus Dynamics. Sistem pengendalian akan dibuat pada Simulink dan simulasi proses akan dilakukan pada Aspen Plus Dynamic. Penyetelan ini dilakukan dungeon metode Genetic Algorithm dungeon metode pencarian seleksi turnamen. Setelah itu, hasil penyetelan akan dijalankan juga dengan unisim design agar kinerja pengendalian dapat dibandingkan dengan penelitian sebelumnya. Model first order plus dead time (FOPDT) digunakan sebagai model prediksi MMPC. Pada penelitian ini, model FOPDT yang digunakan di MMPC pada Matlab harus dihasilkan dengan cara satuan tekanan keluaran kompresor terlebih dahulu diubah menjadi satuan persentase karena MMPC pada Matlab akan menginterpretasikan variabel-variabel perhitungan dalam satuan persen. Parameter time sampling (T), prediction horizon (P), dan control horizon (M) terbaik yang diperoleh dari metode penyetelan seleksi turnamen pada simulasi dengan unisim untuk perubahan set-point (SP) yaitu 1 detik, 18, dan 3. Untuk uji gangguan parameter T, P, dan M yang diperoleh dengan penyetelan fine tuning terbaik yaitu 1 detik, 341, dan 121. Pada simulasi Matlab-Simulink-Aspen Plus Dynamics, parameter T, P, dan M yang terbaik yaitu 0,05 detik, 18, dan 2 untuk perubahan SP dan 0,05 detik, 7, dan 1 untuk perubahan gangguan.

---

Hydrogen is one of the gases that has many uses, including in the chemical industry. In a biohydrogen plant, the compressor unit is one of the important units in the biomass-based biohydrogen plant. The compressor unit works to achieve high pressure for further operational conditions. Multivariable Model Predictive Control (MMPC) is used to control the processes in the plant. To obtain optimal control performance, tuning process is necessary. The tuning process will be conducted in Matlab-Simulink integrated with Aspen Plus Dynamics. The control system will be designed in Simulink, and the process simulation will be executed in Aspen Plus Dynamics. The tuning was done using the Genetic Algorithm with tournament selection search method. Subsequently, the tuning results will also be implemented in Unisim Design to compare the control performance with previous research. The First Order Plus Dead Time (FOPDT) model is applied as the prediction model for MMPC. In this study, the FOPDT model used in MMPC in Matlab must be generated by converting the compressor output pressure unit into a percentage unit due to the MMPC in Matlab will interpret the calculation variables in percent units. For the set-point change, the best time sampling (T), prediction horizon (P), and control horizon (M) parameters that were obtained from the tournament selection tuning method in the simulation with Unisim design are 1 second, 18, and 3. For disturbance testinwere obtainedest parameters are 1 second, 341, and 121 that obtained by fine-tuning method. In the Matlab-Simulink-Aspen Plus Dynamics simulation, the best parameters T, P, and M for set-point changes are 0.05 seconds, 18, and 2, and for disturbance changes are 0.05 seconds, 7, and 1."