Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tert amyl methyl ether (TAME) adalah senyawa aditif oksigenat dari golongan eter yang dapat diproduksi dengan distilasi reaktif. Masalah utama dari penggunaan kolom distilasi reaktif adalah adanya kombinasi sistem reaksi dan pemisahan dalam satu kolom sehingga menghasilkan sistem yang sangat kompleks akibat dari interaksi setiap variabel proses yang saling mempengaruhi satu dengan yang lain. Oleh karena itu, dibutuhkan jenis pengendalian dengan kinerja yang dapat menjaga kondisi operasi tetap stabil dan mampu menangani gangguan proses dengan baik seperti Model Predictive Control (MPC). Pada penelitian ini, dilakukan simulasi pengendalian proses produksi TAME yang menggunakan kolom distilasi reaktif berskala pabrik dengan MPC dan proportional integral (PI) pada simulator HYSYS V11. Model untuk mewakili kondisi dinamis pada sistem ini didekati dengan model FOPDT. Untuk mendapatkan hasil yang optimal parameter MPC di-tuning menggunakan metode fine-tuning, yang kemudian dibandingkan kinerjanya dengan pengendali PI yang di­-tuning menggunakan autotuner yang sudah tersedia pada simulator HYSYS. Hasil simulasi menunjukan bahwa MPC memberikan hasil yang lebih baik dibanding pengendali PI dengan peningkatan kinerja pengendalian sebesar 54.4% dalam uji pelacakan setpoint. Selain itu, uji gangguan pun dilakukan dengan meningkatkan laju alir umpan kolom distilasi reaktif sebesar 10%. Pada uji gangguan MPC memberikan respon yang lebih cepat dan stabil sehingga menghasilkan peningkatan kinerja pengendalian sebesar 64.4% dibanding pengendali PI.

---

Tert amyl methyl ether (TAME) is an ether used as oxygenated fuel additive that can be synthesized using reactive distillation. The major problem with the use of reactive distillation is the existence of the combination of reaction and separation on a single column that makes the reactive distillation process become very complex systems due to its interaction among process variables. Therefore, it is very important to use the types of control methodologies that can stabilize the operating condition and provide satisfactory control performance due to the complexity of the reactive distillation process dynamics such as model predictive control (MPC). In this study, a simulation of plantwide control by MPC and PI for TAME production is investigated in HYSYS V11. In this research, the dynamics model representing the process was approached by the first order plus dead time (FOPDT) model. MPC was tuned by fine-tuning method, meanwhile the PI controller was tuned by autotuner that is available in HYSYS. The results show that MPC can produce an improvement in setpoint tracking test by 54.4% compared to the PI controller. A disturbance of 10% increases in the feed flow rate of reactive distillation was done to see the controller responses. MPC has faster dan more stable responses than the PI controller and 64.4% improvement was produced by MPC compared to the PI controller."

"Untuk menangani gangguan pada proses operasi nonlinear diperlukan suatu bentuk pengendalian. Representative Model Predictive Control (RMPC) adalah salah satu cara untuk memperoleh sekumpulan MPC lokal yang dapat merepresentasikan keseluruhan rentang operasi. MPC lokal ini nantinya digunakanpada Multiple Model Predictive Control (MMPC) untuk mensimulasikanproses operasi nonlinear multi variabel.Skripsi ini membahas penggunaan RMPC untuk memilih beberapa MPC lokal yang kemudian digunakan sebagai model pada MMPC untuk menangani gangguan. Penelitian ini menggunakan model kolom distilasi biner ?Kolom A? yang disimulasikan dengan perangkat lunak MATLAB. Variabel yang dimanipulasi adalah laju refluks dan laju boil up sedangkan variabel yang dikontrol adalah komposisi produk distilat dan komposisi produk bawah. Hasil IAE MMPC dibandingkan dengan IAE kontroler PI konvensional. Untuk gangguan single step; MPC terbaik dengan IAE 0,2564, lebih baik dari IAE kontroler PI 0,7494.Sedangkan untuk gangguan multi step; MMPC terbaik dengan IAE 0,7730, lebih baik dari IAE kontroler PI 0,9808.

---

In order to handle disturbances in the nonlinear operation some form of control is required. Representative Model Predictive Control (RMPC) is one way to obtain a set of local MPC which able to represent the entire operating range. The local MPC is later used in the Multiple Model Predictive Control (MMPC) to simulate the operation of nonlinear multi-variable process. This thesis discusses the use of RMPC to select some local MPC which is then used as a model for dealing with disturbances in the MMPC. This study uses a model of a binary distillation column "Column A" which is simulated with MATLAB software. The manipulated variable is the rate of reflux and boil-up rate, while the controlled variable is the product composition of the distillate and bottom product composition. MMPC IAE results compared with conventional PI controller IAE. For single step disturbance; the best MPC with IAE 0.2564, is better than PI controller IAE 0.7494. As for the multi-step disturbance; the best MMPC with IAE 0.7730, is better than PI controller IAE 0.9808."

"Pelumas merupakan senyawa yang digunakan untuk mengurangi gaya gesek dan keausan antar komponen yang berkontak satu sama lain. Base oil merupakan komponen penting dalam pelumas sehingga pemilihan base oil dapat menentukan sifat dari pelumas tersebut. Kolom distilasi pada proses separasi base oil ester memiliki potensi bahaya yang cukup tinggi sehingga perlu adanya pengendalian pada unit tersebut. Pada penelitian ini, Multivariable Model Predictive Control (MMPC) digunakan sebagai pengendali tingkat lanjut untuk mengendalikan 4 pasangan manipulated variable (MV) dan controlled variable (CV) pada unit distilasi. Penyetelan pengendali dilakukan dengan pemodelan first order plus derivative time (FOPDT) dengan metode Smith, Wade, Lilja, dan Solver yang dilanjutkan dengan penentuan parameter MMPC. Penentuan parameter MMPC dengan metode fine-tuning menghasilkan prediction horizon (P) sebesar 375, control horizon (M) sebesar 245, dan sampling time (T) sebesar 1. Pengendalian dengan MMPC 4×4 hasil fine-tuning mampu mengurangi nilai Integrated Absolute Error (IAE) sebesar 3,31 – 80,40% dan nilai Integrated Squared Error (ISE) sebesar 2,77 – 81,33% dibandingkan hasil pengendalian PI pada pengujian set point tracking. Selain itu, pengendalian MMPC juga dapat mengurangi nilai IAE sebesar 3,17 – 77,48% dan nilai ISE sebesar 23,83 – 88,44% dibandingkan hasil pengendalian PI pada pengujian disturbance rejection.

---

Lubricants are compounds used to reduce friction and wear between components in contact with each other. Base oil is an important component in lubricants so that the selection of base oil can determine the nature of the lubricant. The distillation column in the ester base oil separation process has a high potential hazard, so it is necessary to control the unit. In this study, Multivariable Model Predictive Control (MMPC) is used as an advanced controller to control 4 pairs of manipulated variables (MV) and controlled variables (CV) in the distillation unit. Controller tuning is done by first order plus derivative time (FOPDT) modeling with Smith, Wade, Lilja, and Solver methods followed by MMPC parameter determination. The determination of MMPC parameters with the fine-tuning method results in a prediction horizon (P) of 375, a control horizon (M) of 245, and a sampling time (T) of 1. Control with MMPC fine-tuning results can reduce the Integrated Absolute Error (IAE) value by 3.31 – 80,40% and the Integrated Squared Error (ISE) value by 2.77 – 81,33% compared to the PI control results in the set point tracking test. In addition, MMPC  control can also reduce the IAE value by 3.17 – 77,48% and the ISE value by 23.83 – 88,44% compared to the PI control results in the disturbance rejection test."

"Hidrogen merupakan salah satu gas yang memiliki banyak kegunaan. Salah satunya pada industri kimia. Pabrik yang memiliki banyak gangguan akan berdampak pada efektivitas dan kestabilan operasi pabrik. Selain itu, pabrik yang memiliki banyak gangguan unit juga akan berpengaruh pada lingkungan sekitar. Unit kompresor dan steam reformer merupakan unit – unit yang penting dalam pabrik biohidrogen dari biomassa. Kompresor berfungsi untuk mencapai tekanan tinggi pada kondisi operasi selanjutnya dan steam reformer merupakan proses utama dari pabrik ini yang berfungsi untuk menghasilkan gas hidrogen.  Multivariable model predictive control (MMPC) merupakan suatu pengendali tingkat lanjut. Identifikasi model empirik berdasarkan berdasarkan first order plus dead time (FOPDT) untuk pengaruh gangguan ini dilakukan melalui metode process reaction curve (PRC). Dalam melakukan pengujian, model empirik yang digunakan pada MMPC yaitu model FOPDT yang diperoleh dengan metode 2 (Smith), serta penggabungan dengan model FOPDT MPC yang telah diperoleh pada penelitian sebelumnya yang telah dilakukan oleh oleh Wahid dan Taqwallah (2018). Untuk memperoleh kinerja pengendalian proses yang optimal dilakukan proses tuning atau penyetelan dengan menggunakan metode Shridhar dan Cooper, serta fine tuning untuk dibandingkan dengan kinerja pengendalian model predictive control (MPC) oleh Wahid dan Taqwallah (2018). MMPC fine tuning dengan model FOPDT yang diperoleh dengan metode 2 (Smith) tanpa penggabungan dengan model MPC memberikan hasil yang terbaik karena dapat menstabilkan aliran lebih cepat sesuai dengan setpoint. Parameter nilai T, P, dan M pada MMPC yang diperoleh yaitu 1, 341, dan 121 pada unit kompresor, serta 1, 45, dan 21 pada unit steam reformer. Peningkatan kinerja MMPC ini yaitu pada unit kompresor 1 yaitu 85,84%; unit kompresor 2 61,39%; unit kompresor 3 yaitu 94,57%; dan unit kompresor 4 yaitu 73,35%, serta pada unit steam reformer peningkatan kinerja MMPC fine tuning yaitu 63,34% pada heater dan 80,16% pada combustor.

---

Hydrogen is one of many gases that has many uses, one of which is in the chemical industry. A factory that has many units creates a lot of disturbances that affect on the effectiveness and stability of the plant's operation, and it will also affect the surrounding environment. Compressor unit and steam reformer are two of the important units in biohydrogen plant from biomass. The compressor works to achieve high pressure in the next operation and Steam Reformer is the main process of this plant which functions to produce H₂ gas. Multivariable Model Predictive Control (MMPC) is an advanced controller.  The identification of the empirical model based on first order plus dead time (FOPDT) for the effect of this disturbance was carried out using the process reaction curve (PRC) method. The empirical model that used for the MMPC controller is the FOPDT model obtained by method 2 (Smith), as well as combining it with the MPC FOPDT model which has been acquired in previous research conducted by Wahid and Taqwallah (2018). To obtain optimal process control, a tuning process is carried out using the Shridhar and Cooper method, along with fine tuning to compare with the control performance of the model predictive control (MPC) by Wahid and Taqwallah (2018). Fine tuning MMPC controller with FOPDT model obtained by method 2 (Smith) without combining it with MPC model gives the best results because it stabilizes the flow faster based on setpoint. Parameter values of T, P, and M on the MMPC controller are 1, 341, and 121 on the compressor unit and 1, 45, and 21 on the steam reformer unit. Improvement of this MMPC on compressor unit 1 is 85.84%, compressor unit 2 61.39%, compressor unit 3 is 94.57%, and compressor unit 4 is 73.35%. In steam reformer unit, improvement of fine-tuned MMPC is 63.34% on heater and 80.16% on combustor."

"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."

"Dimetil eter DME sebagai energi alternatif yang bersih telah mendapat perhatian dalam beberapa tahun terakhir. Produksi DME dengan distilasi reaktif memiliki potensi untuk menghemat biaya kapital dan penggunaan energi. Meski begitu, kombinasi sistem reaksi dan distilasi dalam satu kolom membuat proses distilasi reaktif menjadi sistem multivariabel yang kompleks dengan perilaku proses yang sangat non linear dan adanya interaksi antar variabel proses yang kuat. Studi ini menginvestigasi pengendalian proses distilasi reaktif DME dengan multivariable Model Predictive Control MPC berdasarkan struktur pengendalian suhu dua titik untuk menjaga kemurnian kedua aliran produk. Model proses diestimasi dengan model first-order plus dead time. Kemurnian DME dan air masing-masing dijaga dengan mengendalikan suhu tahap 5 di zona rektifikasi dan suhu tahap 47 pelucutan. Hasil simulasi menunjukkan bahwa nilai integral of squared error ISE untuk perubahan set point suhu tahap 5 dan 47 dapat dikurangi masing-masing 19,89 dan 18,26 untuk sistem dengan pengendali multivariable MPC dibandingkan dengan pengendali PI konvensional. Selain itu, pengendali multivariable MPC mampu menangani interaksi lup pengendalian yang ditunjukkan oleh respon yang lebih stabil dan tidak berosilasi.

---

Dimethyl ether DME as an alternative clean energy has attracted a growing attention in the recent years. DME production via reactive distillation has potential for capital cost and energy requirement savings. However, combination of reaction and distillation on a single column makes reactive distillation process a very complex multivariable system with high non linearity of process and strong interaction between process variables. This study investigates a multivariable model predictive control MPC based on two point temperature control strategy for the DME reactive distillation column to maintain the purities of both product streams. The process model is estimated by a first order plus dead time model. The DME and water purity is maintained by controlling stage 5 temperature in rectifying section and stage 47 in stripping section, respectively. The results show that the integral of squared error ISE values for the set point tracking in stages 5 and 47 temperatures can be reduced, respectively, 19.89 and 18.26 for the system under multivariable MPC controller compared to the conventional PI controllers. In addition, the MPC controller is able to handle the loop interactions that is shown by more stable and non oscillatory responses."

"ABSTRACTModel Predictive Control MPC digunakan untuk mengoptimalisasi parameter pengendalian pada penghilangan CO2 di lapangan Subang. MPC digunakan untuk mengendalikan laju aliran amina, laju aliran makeup water, dan tekanan gas umpan untuk mempertahankan konsentrasi CO2 pada keluaran sweet gas. Model empiris dibuat untuk diterapkan di MPC controller berdasarkan kurva reaksi proses PRC dengan menggunakan pendekatan fisrt order plus dead time FOPDT . Parameter pengendalian Prediction Horizon P , Control Horizon M dan Sampling Time T yang optimal dihasilkan secara berurutan: 91, 32 dan 1 pada PIC-1101, 34, 10 dan 5 pada FIC-1102 dan 40, 10 dan 5 pada FIC-1103. Hasil penyetelan pengendali dengan metode MPC yang optimal kemudian dibandingkan dengan pengendali yang ada dilapangan yang menggunakan pengendali Proportional ndash; Integral PI . Pengkuran kinerja pengendalian secara keseluruhan diwakilkan oleh nilai Integral Square Error ISE . Berdasarkan nilai ISE, penggunaan MPC dapat memperbaiki kinerja pengendalian sebesar 14,02 pada PIC-1101, 76,74 pada FIC-1102, dan 16,31 pada FIC-1103.

---

ABSTRACTA model predictive control MPC is used for optimazing the control parameters on CO2 Removal in Subang Field. The MPC is used for controlling the amine flow rate, makeup water flowrate, and feed gas pressure to maintain CO2 concentration in sweet gas. Empirical models are made to appllied in MPC controller based on process reaction curve PRC from fisrt order plus dead time FOPDT approach. The Prediction Horizon P , Control Horizon M and Sampling Time T of control parameters are produced sequentially 91, 32 and 1 on PIC 1101, 34, 10 and 5 on FIC 1102 and 40, 10 and 5 on FIC 1103. The result of control setting by MPC method is then compared with current controller that is Proportional Integral PI to get optimal tuning result. The overall performance control performance is represented by the Integral Square Error ISE value. Based on ISE values, the use of MPC can improve performance by 14.02 in PIC 1101, 76.74 in FIC 1102, and 16.31 in FIC 1103."

"Optimalisasi pabrik regasifikasi liqufied natural gas LNG penting dilakukan untuk meminimilasi biaya, khususnya biaya operasional. Oleh karena itu penting untuk memilih desain pabrik regasifikasi LNG dan mendapatkan kondisi operasi yang optimum serta mempertahankan kondisi operasi yang optimum tersebut melalui implementasi model predictive control MPC. Kriteria optimalnya adalah minimumnya jumlah energi yang digunakan dan atau integral of square error ISE. Hasilnya, disain yang optimum adalah menggunakan skema 2 dengan penghematan energi sebesar 40. Sedangkan kondisi operasi yang optimum terjadi jika suhu keluaran vaporizer sebesar 6oC. Untuk mempertahankan kondisi optimum tersebut diperlukan MPC dengan setelan parameter P prediction horizon , M control horizon dan T sampling time sebagai berikut: pengendali tekanan tangki penyimpanan: 90, 2, 1; tekanan produk: 95, 2, 1; suhu vaporizer: 65, 2, 2; dan suhu heater: 35, 6, 5, dengan nilai ISE pada set point tracking masing-masing 0,99, 1792,78, 34,89 dan 7,54, atau peningkatan kinerja pengendalian masing-masing sebesar 4,6 , 63,5 , 3,1 dan 58,2 dibandingkan kinerja pengendali PI. Penghematan energi yang dapat dilakukan pengendali MPC saat terjadi gangguan pada kenaikan suhu air laut 1oC adalah 0,02 MW dan pengendali MPC juga mengurangi error terhadap kualitas produk sebesar 34,25 dibandingkan dengan menggunakan pengendali PI.

---

Optimization of liquified natural gas LNG regasification plant is important to minimize costs, especially operational costs. Therefore, it is important to select the LNG regasification plant design and obtain optimum operating conditions while maintaining the optimum operating conditions through the implementation of model predictive control MPC. The optimal criterion is the minimum amount of energy used and or the integral of square error ISE.

As a result, the optimum design is to use scheme 2 with an energy savings of 40 . While the optimum operating conditions occur if the vaporizer output temperature is 6oC. In order to maintain the optimum conditions, MPC is required with parameter setting P prediction horizon, M control horizon and T sampling time as follows tank storage pressure controller 90, 2, 1 product pressure 95, 2, 1 temperature vaporizer 65, 2, 2 and temperature heater 35, 6, 5, with ISE value at set point tracking respectively 0.99, 1792.78, 34.89 and 7.54, or improvement of control performance respectively 4.6, 63.5 , 3.1 and 58.2 compared to PI controller performance.

The energy savings that MPC controllers can make when there is a disturbance in sea temperature rise of 1oC is 0.02 MW and MPC controller also reduces error to product quality by 34.25 compared to the PI controller."

"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."