Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Masalah penurunan produksi minyak bumi di Indonesia telah terjadi sejak tahun 2000. Negara Indonesia telah menjadi importir minyak bumi sejak tahun 2003 dengan nilai impor 100 ribu barel per hari yang terus meningkat dari waktu ke waktu hingga tahun 2014. Hal ini disebabkan oleh kebutuhan untuk energi dan bahan bakar di Indonesia terus meningkat. Masalah ini dapat diatasi dengan menggunakan Dimethyl Ether (DME) sebagai sumber bahan bakar alternatif dengan beberapa manfaat dibandingkan dengan bahan bakar fosil. Penelitian tentang desain pabrik DME terus dilakukan, salah satu studi yang dilakukan berjudul Produksi DME dari Gas Sintetis untuk Aditif Bahan Bakar Mesin Diesel dan Campuran LPG. Namun, hasil desain masih memerlukan kontrol proses untuk mencapai proses produksi yang optimal. Penelitian tentang sistem kontrol proses di pabrik ini telah dilakukan, tetapi masih belum menghasilkan sistem kontrol proses yang optimal. Sistem kontrol Multivariable Model Predictive Control (4x4) dapat diterapkan pada desain pabrik ini. Parameter MMPC (4x4) optimal dalam bentuk T, P, dan M dalam proses pemurnian DME dari campuran metanol secara berurutan adalah 25, 18, dan 41. Parameter ini merupakan hasil kombinasi dari metode Shridhar-Cooper dan fine tuning. Jika dibandingkan dengan MPC, MMPC (4x4) memberikan peningkatan kinerja kontrol dari 15,46% menjadi 94,7% bila dilihat dari IAE dan 10,31% hingga 97,726% bila dilihat dari ISE. Dengan demikian sistem MMPC (4x4) memberikan kinerja kontrol yang lebih baik dibandingkan dengan sistem MPC.

---

ABSTRACT
The problem of decreasing petroleum production in Indonesia has occurred since 2000. The Indonesian state has been an importer of petroleum since 2003 with an import value of 100,000 barrels per day which continues to increase from time to time until 2014. This is due to the need for energy and fuel in Indonesia continues to increase. This problem can be overcome by using Dimethyl Ether (DME) as an alternative fuel source with several benefits compared to fossil fuels. Research on the design of the DME plant continues to be carried out, one of the studies conducted was entitled Production of DME from Synthetic Gas for Diesel Engine Fuel Additives and LPG Blends. However, the design results still require process control to achieve optimal production processes. Research on the process control system at this plant has been carried out, but it has not yet produced an optimal process control system. The Multivariable Model Predictive Control (4x4) control system can be applied to this factory design. The optimal MMPC (4x4) parameters in the form of T, P, and M in the DME refining process from methanol mixtures respectively are 25, 18, and 41. These parameters are the result of a combination of the Shridhar-Cooper method and fine tuning. When compared to MPC, MMPC (4x4) gives an increase in control performance from 15.46% to 94.7% when viewed from IAE and 10.31% to 97.726% when viewed from ISE. Thus the MMPC system (4x4) provides better control performance compared to the MPC system.

Abstrak :

Gas alam merupakan sumber energi ketiga yang paling banyak digunakan di Indonesia, setelah minyak bumi dan batubara. Agar lebih mudah ditranportasikan, gas alam diubah menjadi LNG kemudian diubah kembali melalui proses regasifikasi LNG. Diperlukan sistem pengendali agar proses regasifikasi LNG dapat berjalan lancar. Multivariabel model predictive control (MMPC) merupakan pengendali tingkat lanjut yang dapat digunakan pada sistem regasifikasi LNG. Terdapat tiga parameter pada MMPC, yaitu sampling time (Ts), prediction horizon (P), dan control horizon (M).  Pada penelitian ini, dilakukan penyetelan MMPC untuk mendapatkan parameter MMPC dengan menggunakan metode minimalisasi nilai integral of square error (ISE). Kinerja pengendalian MMPC dengan tuning minimalisasi nilai ISE kemudian dibandingkan dengan pengendalian MMPC hasil fine-tuning (trial and error) dan didapatkan bahwa kinerja MMPC dengan tuning minimalisasi nilai ISE lebih baik. Selain itu, proses tuning dengan minimalisasi nilai ISE lebih mudah dilakukan dibanding fine-tuning (trial and error) karena dapat berjalan secara otomatis.

 

---

Natural gas is the third most widely used energy source in Indonesia, after oil and coal. To make it easier to transport, natural gas is converted into LNG and then converted back through the LNG regasification process. A control system is needed so that the LNG regasification process can overcome the disturbances that arise. Multivariable model predictive control (MMPC) is an advanced controller that can be used in LNG regasification systems. There are three parameters in MMPC, namely sampling time (Ts), prediction horizon (P), and control horizon (M). In this study, the MMPC was tuned to obtain the MMPC parameters by using the integral of square error (ISE) minimization method. The performance of the MMPC control by tuning the ISE minimization value was then compared with the MMPC control with the results of fine-tuning (trial and error) and it was found that the performance of the MMPC by tuning the minimization of the ISE value was better. In addition, the tuning process by minimization of the ISE value is easier to do than fine-tuning (trial and error) because it can run automatically.

 

Abstrak :
ABSTRAK
Pengendalian proses pemisahan metanol-air pada produksi dimethyl ether (DME) dari gas sistesis menggunakan pengendali Model Predictive Control (MPC) jenis single-input single-output (SISO) telah menunjukkan hasil yang lebih baik dibandingkan dengan penggunaan pengendali Propotional-Integral (PI). Namun, penerapan pengendali MPC tunggal ini membuat proses produksi DME menjadi tidak ekonomis dikarenakan biaya modal pengendali MPC lebih besar dibandingkan pengendali PI. Pada penelitian ini, dirancang pengendali Multivariable Model Predictive Control (MMPC 4x4) dengan empat variabel masukan atau variabel yang dimanipulasikan (manipulated variable, MV) dan empat variabel keluaran atau variabel yang dikendalikan (controlled variable, CV). Pengendali MMPC diusulkan untuk mengurangi jumlah pengendali yang digunakan (empat MPC) serta mengatasi interaksi antar-variabel yang akan memengaruhi kinerja pengendalian. Perancangan pengendali meliputi identifikasi interaksi antar-variabel melalui pemodelan empirik first-order plus dead time (FOPDT) dan penyetelan pengendali. Empat CV tersebut meliputi suhu kondensor, suhu keluaran cooler, level kondensor, dan level kolom, sedangkan empat MV-nya meliputi beban kondensor, beban cooler, laju alir produk distilat, dan laju alir produk bawah. Hasilnya menunjukkan bahwa interaksi antar variabel yang teridentifikasi meliputi seluruh variabel yang terlibat, sehingga didapatkan matriks 4x4 yang berisi 16 model FOPDT. Nilai parameter pengendali berupa sampling time (T), prediction horizon (P), dan control horizon (M) yang memberikan kinerja pengendalian yang optimum berturut-turut adalah 2, 24, dan 10. Penggunaan MMPC memberikan kinerja pengendalian yang lebih baik dibandingkan dengan MPC, yang ditunjukkan oleh penurunan IAE sebesar 7% hingga 72% dan penurunan ISE sebesar 14% sampe 83%.

---

ABSTRACT
Process control of separating methanol-water from the production of dimethyl ether (DME) from synthesis gas using the Model Predictive Control (MPC) controller of single-input single-output (SISO) type has shown better results compared to the use of Propotional-Integral (PI) controllers. However, the application of this single MPC controller made the DME production process uneconomical because the MPC controllers capital cost was greater than the PI controller. In this study, a Multivariable Model Predictive Control (MMPC 4x4) controller was designed with four input variables or manipulated variables (manipulated variables, MV) and four controlled variables (controlled variables, CV). The MMPC controller is proposed to reduce the number of controllers used (four MPC) and overcome inter-variable interactions that will affect control performance. The design of the controller includes the identification of inter-variable interactions through first-order plus dead time (FOPDT) empirical modeling and controller adjustments. The four CVs include condenser temperature, cooler output temperature, condenser level, and column level, while the four MVs include condenser load, cooler load, distillate product flow rate, and bottom product flow rate. The results show that the interactions between the variables identified include all the variables involved, resulting in 16 FOPDT models. The control parameter values ​​in the form of sampling time (T), prediction horizon (P), and control horizon (M) that provide optimum control performance are 2, 24, and 10. The use of MMPC provides better control performance compared to MPC, which is indicated by a decrease in IAE of 7% to 72% and a decrease in ISE of 14% to 83%.

Abstrak :
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.

Abstrak :
ABSTRAK Dimethyl ether products (DME) can be used as alternative energy sources that are more environmentally friendly and sustainable. In this DME purification plant, the feed with DME, methanol and water composition will be separated so that pure DME is obtained with a concentration of 99. In this study, Multivariable Model Predictive Control is used to control the process of DME purification plant. The performance of MMPC in both DME and methanol purification process has been conducted in previous research with separate system. This research is proposed towards the stability of both system when combined and its economic analysis when compared with standard MPC and PID Controller. The consideration when combining DME purification process and methanol purification process is the bottom product of DME purification column where it also acts as methanol purification column feed. Valve conductance needs to be adjusted accordingly to satisfy both systems. Retuning MMPC parameters is based on Wahid-Utomo (2019) and Wahid-Brillianto (2019) tuning parameters. The results of retuning yield a better control performance throughout the entire purification process. The retuning parameters value for T, P, and M are 10, 40, and 50 for DME purification process and 1, 40, and 50 for methanol purification process. The improvement on IAE are from 35.31% to 56.24% for DME purification and 20.06% to 94.91% for methanol purification process. Furthermore, installing MMPC proved to be economically feasible with a positive NPV of Rp 10,216,077 when compared to PI controller.

---

ABSTRACT Produk Dimethyl ether (DME) dapat digunakan sebagai sumber energi alternatif yang lebih ramah lingkungan dan berkelanjutan. Di pabrik pemurnian DME ini, umpan dengan komposisi DME, metanol, dan air akan dipisahkan sehingga DME murni diperoleh dengan konsentrasi 99. Dalam penelitian ini, Multivariable Model Predictive Control digunakan untuk mengontrol proses pabrik pemurnian DME. Kinerja MMPC dalam proses pemurnian DME dan metanol telah dilakukan dalam penelitian sebelumnya dengan sistem terpisah. Penelitian ini diusulkan terhadap stabilitas kedua sistem ketika dikombinasikan dan analisis ekonominya bila dibandingkan dengan MPC dan PID controller. Pertimbangan saat menggabungkan proses pemurnian DME dan proses pemurnian metanol adalah produk dasar kolom pemurnian DME di mana juga bertindak sebagai umpan kolom pemurnian metanol. Valve conductance perlu disesuaikan untuk memenuhi kedua sistem. Retuning parameter MMPC didasarkan pada parameter tuning Wahid-Utomo (2019) dan Wahid-Brillianto (2019). Hasil retuning menghasilkan kinerja kontrol yang lebih baik di seluruh proses pemurnian. Nilai parameter retuning untuk T, P, dan M adalah 10, 40, dan 50 untuk proses pemurnian DME dan 1, 40, dan 50 untuk proses pemurnian metanol. Peningkatan IAE adalah dari 35,31% menjadi 56,24% untuk pemurnian DME dan 20,06% menjadi 94,91% untuk proses pemurnian metanol. Selain itu, menginstal MMPC terbukti layak secara ekonomi dengan NPV positif sebesar Rp 10.216.077 jika dibandingkan dengan pengontrol PI.

Abstrak :
ABSTRAK
MMPC (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.

---

ABSTRACT
MMPC (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 variables variable, 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.

Abstrak :
Pelumas dapat didefinisikan sebagai substansi yang ditempatkan di antara dua permukaan yang bergerak relatif untuk mengurangi gesekan di antara keduanya. Pelumas dapat mengurangi gesekan, tingkat keausan, dan konsumsi energi. Oleh karena itu, pelumas secara luas diterapkan di hampir semua bidang industri, terutama pada bidang transportasi, manufakur, hingga pembangkit listrik. Proses oligomerisasi dalam pembuatan ester minyak dasar dilakukan dengan menggabungkan senyawa asam karboksilat dengan poliol. Melalui reaksi oligomerisasi ini, jumlah cabang samping akan meningkat seiring pertumbuhan panjang rantai utama, yang pada gilirannya dapat meningkatkan viskositas ester minyak dasar. Penelitian ini bertujuan untuk mendapatkan rancangan serta mendesain pengendalian proses pada proses oligomerisasi pabrik ester base oil dengan multivariable model predictive control MMPC 100 (2×2) dan MMPC 101 (2×2) dengan identifikasi proses model first order plus dead time (FOPDT) dengan metode Smith, Wade, dan 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) terbaik. Parameter MMPC tersebut akan diuji berdasarkan respon kinerja pengendali terhadap perubahan set point (SP) dan pengujian disturbance rejection dengan perhitungan integral absolute error (IAE) dan integral square error (ISE). Hasil identifikasi sistem didapatkan model FOPDT terbaik seluruhnya menggunakan metode Solver. Metode fine tuning pada penyetelan MMPC menghasilkan parameter T, P, M untuk MMPC 100 (2×2) sebesar 9, 120, dan 20 dan untuk MMPC 101 (2×2) sebesar 1, 230, dan 150. Pada pengujian Set Point (SP) tracking, MMPC merupakan pengendali terbaik untuk seluruh pengendalian dibandingkan pengendali PI. Pada pengujian disturbance rejection terhadap perubahan suhu inlet, pengujian dilakukan dengan membandingkan tiga kondisi, yaitu dengan adanya pengendalian pre treatment (Full Control), tanpa adanya pengendalian pre treatment (Local Control) dan PI. Didapatkan kinerja MMPC Full Control lebih baik dibandingkan kinerja MMPC Local Control dengan pemulihan kinerja pengendali sebesar 7,36%, 0,007%, 0,086%, dan 0,03% untuk nilai IAE dan 0,61%, 0,00%, 0,00%, dan 0,00% untuk nilai ISE. ......A lubricant can be defined as a substance placed between two relatively moving surfaces to reduce the friction between them. Lubricants can reduce friction, wear rate, and energy consumption. Therefore, lubricants are widely applied in almost all industrial fields, especially in transportation, manufacturing, and power generation. The oligomerization process in the preparation of base oil esters is carried out by combining carboxylic acid compounds with polyols. Through this oligomerization reaction, the number of side branches will increase as the main chain length grows, which in turn can increase the viscosity of the base oil ester. This study aims to obtain the design and design of process control in the oligomerization process of base oil ester plant with multivariable model predictive control MMPC 100 (2×2) and MMPC 101 (2×2) with first order plus dead time (FOPDT) model process identification by Smith, Wade, and Solver methods. Next, the best FOPDT model is determined by comparing the smallest root-mean-square error (RMSE) value from each method. The tuning method used for MMPC is the Shridhar-Cooper method followed by fine tuning to get the best parameter values of P (prediction horizon), M (control horizon), and T (sampling time). MMPC parameters will be tested based on the controller performance response to set point (SP) changes and disturbance rejection testing with integral absolute error (IAE) and integral square error (ISE) calculations. The results of system identification obtained the best FOPDT model entirely using the Solver method. The fine-tuning method on MMPC tuning produces parameters T, P, M for MMPC 100 (2×2) of 9, 120, and 20 and for MMPC 101 (2×2) of 1, 230, and 150. In the Set Point (SP) tracking test, MMPC is the best controller for all controls compared to PI controllers. In testing disturbance rejection to changes in inlet temperature, testing is done by comparing two conditions, namely with the presence of pre-treatment control (Full Control) and without pre-treatment control (Local Control). MMPC Full Control performance is better than MMPC Local Control performance with controller performance recovery of 7.36%, 0.007%, 0.086%, and 0.03% for IAE values and 0.61%, 0.00%, 0.00%, and 0.00% for ISE values.

Abstrak :
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.