← Kembali ke blog
Menghitung BMR dan TDEE: Rumus, Kalkulator, Akurasi
Berat Badan & Metabolisme8 menit

Menghitung BMR dan TDEE: Rumus, Kalkulator, Akurasi

Ringkasan

Laju metabolisme basal (BMR) adalah energi yang dibakar tubuh saat benar-benar beristirahat, sekadar untuk menjaga Anda tetap hidup. BMR merupakan bagian terbesar dari kebutuhan kalori harian Anda. Mifflin-St Jeor adalah salah satu persamaan yang paling sering dipakai dalam praktik klinis. Untuk pria rumusnya 10 × berat badan (kg) + 6,25 × tinggi badan (cm) − 5 × usia (tahun) + 5. Untuk wanita, komponennya sama, lalu dikurangi 161. Dalam sebuah tinjauan sistematis, Mifflin-St Jeor memprediksi laju metabolisme istirahat dalam rentang 10% dari nilai terukur pada lebih banyak orang dibandingkan persamaan umum lainnya. Anggap hasilnya sebagai perkiraan, bukan angka pasti.

🕓 Diperbarui: 2026-11-11
Oleh HAVIT Editorial TeamDiperiksa oleh HAVIT Medical Advisory · Editorial Medical Review Board

Artikel ini hanya untuk informasi umum dan bukan pengganti nasihat, diagnosis, atau perawatan medis profesional. Selalu konsultasikan dengan tenaga kesehatan yang berkualifikasi untuk pertanyaan tentang kondisi medis.

Apa sebenarnya yang diukur oleh laju metabolisme basal

Laju metabolisme basal (BMR) adalah energi yang digunakan tubuh untuk tetap hidup saat Anda benar-benar beristirahat. Energi ini dipakai untuk bernapas, memompa darah, menjaga otak dan organ tetap bekerja, serta mempertahankan suhu tubuh. Aktivitas seperti berjalan, berolahraga, atau mencerna makanan tidak termasuk di dalamnya.

Anda juga akan menemukan istilah laju metabolisme istirahat (RMR) dan pengeluaran energi istirahat (REE). Ketiganya menggambarkan pengukuran penggunaan energi saat istirahat yang saling berkaitan erat, sehingga panduan ini membahasnya bersama-sama. Para peneliti memperkirakan pengeluaran energi saat istirahat, sama seperti komponen lain dari penggunaan energi harian, dengan berbagai variasi metode yang disebut kalorimetri tidak langsung. Persamaan Mifflin-St Jeor yang dibahas di bawah, misalnya, disusun untuk memprediksi REE.

BMR penting karena merupakan porsi terbesar dalam anggaran energi Anda. Pengeluaran energi harian total terutama terdiri atas pengeluaran energi istirahat, pengeluaran energi untuk aktivitas fisik, dan efek termis makanan. Dari ketiganya, pengeluaran energi istirahat adalah komponen utama.

Cara menghitung BMR dengan rumus Mifflin-St Jeor

Sebuah tinjauan sistematis menyebut Mifflin-St Jeor sebagai salah satu dari empat persamaan prediksi yang paling sering dipakai dalam praktik klinis. Persamaan ini dikembangkan dari data 498 orang dewasa sehat berusia 19 hingga 78 tahun. Dari jumlah tersebut, 264 orang memiliki berat badan normal dan 234 orang mengalami obesitas. REE setiap peserta diukur dengan kalorimetri tidak langsung.

Versi sederhananya adalah:

  • Pria: BMR = 10 × berat badan (kg) + 6,25 × tinggi badan (cm) − 5 × usia (tahun) + 5
  • Wanita: BMR = 10 × berat badan (kg) + 6,25 × tinggi badan (cm) − 5 × usia (tahun) − 161

Hasilnya dinyatakan dalam kkal per hari. Dalam data aslinya, berat badan, tinggi badan, usia, dan jenis kelamin bersama-sama menjelaskan 71% variasi REE yang terukur (R² = 0,71).

Contoh perhitungan

Seorang wanita hipotetis dengan berat 70 kg, tinggi 165 cm, dan usia 40 tahun:

10 × 70 + 6,25 × 165 − 5 × 40 − 161 = 700 + 1.031,25 − 200 − 161 = sekitar 1.370 kkal/hari.

Seorang pria hipotetis dengan berat 80 kg, tinggi 180 cm, dan usia 35 tahun:

10 × 80 + 6,25 × 180 − 5 × 35 + 5 = 800 + 1.125 − 175 + 5 = 1.755 kkal/hari.

Rumus ini punya dua ciri yang berguna. Pertama, selisih antara pria dan wanita dengan ukuran tubuh dan usia yang sama selalu tetap, yaitu 166 kkal (5 − (−161) = 166). Angka ini sesuai dengan komponen jenis kelamin pada versi lengkap persamaan tersebut. Kedua, setiap pertambahan satu tahun usia mengurangi 5 kkal. Jika berat dan tinggi badan tidak berubah, bertambahnya usia sepuluh tahun menurunkan estimasi sebesar 50 kkal (5 × 10).

Jika Anda mengetahui massa bebas lemak

Studi yang sama juga menguji prediktor yang lebih sederhana. Massa bebas lemak (FFM) merupakan prediktor tunggal REE terbaik (R² = 0,64), dengan persamaan REE = 19,7 × FFM (kg) + 413. Berat badan saja hasilnya kurang baik (REE = 15,1 × berat badan + 371, R² = 0,56). Persamaan lengkap yang memakai berat badan, tinggi badan, usia, dan jenis kelamin tetap yang paling kuat di antara ketiganya.

Rumus BMR lainnya: Harris-Benedict, WHO, dan Ten Haaf

Mifflin-St Jeor bukan satu-satunya pilihan. Rumus mana yang paling cocok untuk Anda sebagian bergantung pada kondisi Anda.

Harris-Benedict

Persamaan Harris-Benedict berasal dari tahun 1919. Jika dibandingkan dengan nilai terukur dalam studi Mifflin, persamaan ini melebihkan REE sebesar 5%. Sebuah tinjauan sistematis membandingkan empat persamaan yang paling banyak dipakai dalam praktik klinis: Harris-Benedict, Mifflin-St Jeor, Owen, dan WHO/FAO/UNU. Mifflin-St Jeor terbukti paling andal. Persamaan ini memprediksi RMR dalam rentang 10% dari nilai terukur pada lebih banyak individu, baik yang tidak obesitas maupun yang obesitas, dibandingkan persamaan lain, dan rentang kesalahannya paling sempit. Tinjauan tersebut juga menemukan bahwa lansia dan kelompok etnis minoritas yang tinggal di AS kurang terwakili dalam studi yang dipakai untuk menyusun dan menguji persamaan-persamaan ini.

Obesitas berat: WHO dan Harris-Benedict

Gambarannya berubah pada berat badan yang sangat tinggi. Sebuah tinjauan sistematis mencakup 40 studi pada orang dewasa dengan IMT antara 40,0 dan 62,4, dan menggabungkan 20 di antaranya dalam meta-analisis. Pada kelompok ini, persamaan WHO (berbasis berat badan) dan Harris-Benedict adalah yang paling akurat dan presisi. Bias rata-ratanya −12,44 kkal/hari untuk WHO dan −18,9 kkal/hari untuk Harris-Benedict. Persamaan lain yang diuji, termasuk Mifflin, cenderung memperkirakan BMR terlalu rendah.

Atlet dan persamaan Ten Haaf

Sebuah meta-analisis menggabungkan 29 studi dengan 1.430 atlet dan 100 persamaan prediksi yang berbeda. Persamaan Ten-Haaf adalah yang paling presisi. Persamaan ini memprediksi 80,2% peserta dalam rentang ±10% dari RMR terukur, sedangkan persamaan lain yang dianalisis presisinya berkisar antara 40,7% dan 63,7%. Prediksi rata-ratanya juga tidak berbeda secara signifikan dari nilai terukur. Empat persamaan lain, termasuk Harris-Benedict, menunjukkan hasil serupa, tetapi Ten-Haaf satu-satunya dari kelima persamaan tersebut yang tidak memiliki heterogenitas antarstudi (I² = 0%). Pada data atlet yang sama, Mifflin-St Jeor secara signifikan memperkirakan RMR terlalu rendah atau terlalu tinggi. Koefisien persis persamaan Ten Haaf tidak dicantumkan di sini. Pelajaran praktisnya: rumus yang disusun berdasarkan populasi umum bisa meleset untuk orang yang sangat berotot dan terlatih.

Untuk perbandingan berbagai metode ini secara berdampingan, baca panduan kami tentang akurasi perhitungan laju metabolisme.

Seberapa akurat kalkulator BMR?

Dalam tinjauan-tinjauan di atas, sebuah prediksi dianggap tepat jika berada dalam rentang 10% dari RMR terukur. Kedengarannya ketat, tetapi dalam hitungan kalori rentang ini cukup lebar. Untuk contoh 1.370 kkal di atas, ±10% berarti ±137 kkal (1.370 × 0,10). Artinya, nilai sebenarnya bisa berada di mana saja antara sekitar 1.233 dan 1.507 kkal/hari (1.370 − 137 dan 1.370 + 137), dan prediksi tersebut tetap dianggap baik.

Bahkan persamaan terbaik pun meleset lebih jauh dari itu pada sebagian orang. Tinjauan sistematis yang mengunggulkan Mifflin-St Jeor tetap mencatat adanya kesalahan yang cukup berarti ketika persamaan ini diterapkan pada individu. Prediksi sulit dilakukan karena metabolisme istirahat bervariasi dari orang ke orang, bahkan pada ukuran tubuh yang sama.

Data yang lebih banyak memang membantu, tetapi hanya sampai batas tertentu. Sebuah studi terbaru pada 454 orang dewasa sehat menguji model machine learning dengan hingga 94 prediktor. Model terbaik menjelaskan 76,8% variasi RMR. Massa bebas lemak, berat badan, dan, menariknya, suhu luar ruangan rata-rata termasuk prediktor yang paling berguna. Penanda darah hanya sedikit menambah akurasi. Mikrobiota usus dan asam lemak rantai pendek dalam feses tidak menambah apa pun. Bahkan model ini masih menyisakan sekitar 23% variasi yang tidak terjelaskan (100 − 76,8 = 23,2%).

Kondisi medis membuat kesalahan makin lebar. Pada 900 pasien sirosis, REE hasil prediksi berkisar dari 501 kkal/hari di bawah hingga 548 kkal/hari di atas nilai terukur. Para peneliti menyimpulkan bahwa REE pada kelompok ini sebaiknya diukur secara langsung.

Selisih serupa juga muncul pada kondisi lain, dan arah kesalahannya tidak selalu sama. Pada 34 pasien hipertensi pulmonal, semua metode estimasi yang diuji memperkirakan kebutuhan energi terlalu rendah sekitar 255 kkal. Pada 71 penyintas stroke kronis, 8 dari 9 persamaan memprediksi RMR 9% hingga 18% lebih tinggi daripada nilai terukur.

Berapa BMR yang normal?

Tidak ada satu angka pun yang bisa disebut "normal". BMR bergantung pada ukuran dan komposisi tubuh, sehingga pria tinggi yang berotot dan wanita bertubuh mungil bisa sama-sama sehat walaupun nilainya sangat berbeda. Contoh perhitungan di atas (sekitar 1.370 dan 1.755 kkal/hari) menunjukkan betapa lebarnya rentang ini bahkan untuk ukuran tubuh yang biasa.

Cara kasar untuk mengecek hasil Anda adalah melihat energi per kilogram berat badan. Dalam studi sirosis tadi, 282 orang sehat sebagai kelompok kontrol rata-rata membakar 20,8 ± 2,6 kkal per kg berat badan per hari. Untuk orang dengan berat 70 kg, angka ini setara dengan sekitar 1.456 kkal/hari (70 × 20,8). Anggap angka ini hanya sebagai perkiraan kasar. Nilai ± 2,6 menunjukkan adanya variasi nyata antarindividu.

Jika BMR hasil hitungan Anda tampak jauh dari perkiraan, periksa dulu angka yang Anda masukkan. Persamaan ini memakai berat badan dalam kilogram dan tinggi badan dalam sentimeter.

Dari BMR ke TDEE: berapa kalori yang Anda butuhkan per hari

BMR bukanlah target kalori harian Anda. Pengeluaran energi harian total (TDEE) menambahkan energi yang Anda keluarkan untuk bergerak dan energi untuk mencerna makanan di atas pembakaran saat istirahat.

Karena itu, untuk mengubah BMR menjadi angka harian, Anda perlu menambahkan perkiraan tingkat aktivitas, yang membawa ketidakpastiannya sendiri di samping ketidakpastian rumus BMR. Artikel kami tentang tingkat aktivitas dan penyesuaian nutrisi membahas cara memperkirakan bagian ini secara realistis.

Pengaruh usia ternyata lebih kecil daripada yang dibayangkan banyak orang. Sebuah analisis besar tentang pengeluaran energi harian total, yang diukur dengan metode air berlabel ganda (doubly labelled water) pada orang berusia 8 hari hingga 95 tahun, melakukan penyesuaian terhadap massa bebas lemak. Dengan dasar itu, pengeluaran energi tetap stabil selama masa dewasa dari usia 20 hingga 60 tahun, bahkan selama kehamilan, dan baru menurun pada lansia. Sebuah tinjauan tentang pengeluaran energi sepanjang hidup menjelaskan bahwa perubahan semacam itu setidaknya sebagian disebabkan oleh pergeseran komposisi tubuh, massa dan laju metabolisme organ serta jaringan, dan tingkat aktivitas fisik.

Hal yang menaikkan atau menurunkan BMR

Massa bebas lemak

Jaringan tanpa lemak adalah pendorong utamanya. Dalam sebuah studi pada 40 orang dewasa, massa bebas lemak dan massa lemak bersama-sama menjelaskan 83% variasi RMR. Menambahkan pengukuran organ dan otot yang terperinci tidak meningkatkan akurasi prediksi. Inilah sebabnya dua orang dengan berat badan sama tetapi massa otot berbeda bisa memiliki BMR yang cukup berbeda, dan mengapa persamaan berbasis FFM bekerja baik bila komposisi tubuh diukur dengan akurat.

Diet dan adaptasi metabolik

Mengurangi kalori akan menurunkan pengeluaran energi saat istirahat, sebagian karena Anda kehilangan jaringan tubuh dan sebagian lagi karena adaptasi. Dalam sebuah studi terkontrol, 32 pria tanpa obesitas makan 50% di bawah kebutuhan energinya selama 3 minggu. Berat badan mereka turun 6,0 kg, dan REE mereka turun 266 kkal/hari. Termogenesis adaptif, yaitu penurunan yang tidak dapat dijelaskan oleh hilangnya massa bebas lemak, mencapai 108 kkal/hari. Perubahan komposisi massa bebas lemak menjelaskan 36 kkal dari angka itu, sehingga tersisa 72 kkal/hari sebagai adaptasi yang "sesungguhnya".

Lingkungan

Dalam studi prediksi berbasis machine learning tadi, suhu luar ruangan rata-rata termasuk salah satu prediktor utama RMR. Prediktor utama lainnya dalam model yang sama adalah massa bebas lemak dan berat badan.

Kapan pengukuran BMR langsung layak dilakukan

Pemeriksaan metabolik (kadang dipasarkan sebagai tes BMR) memakai kalorimetri tidak langsung untuk mengukur penggunaan energi Anda yang sebenarnya saat istirahat. Tinjauan sistematis tentang persamaan prediksi menyimpulkan bahwa kesalahan estimasi dapat dihilangkan dengan kalorimetri tidak langsung yang valid, menggunakan protokol berbasis bukti untuk meminimalkan kesalahan pengukuran. Penilaian klinislah yang menentukan kapan sebuah estimasi sudah cukup memadai.

Bagi sebagian besar orang dewasa sehat yang ingin mengubah berat badan secara bertahap, BMR hasil hitungan adalah titik awal yang masuk akal. Gunakan angka itu untuk menentukan asupan awal. Setelah itu, biarkan tren berat badan Anda selama beberapa minggu yang menentukan perlu tidaknya penyesuaian, karena timbangan mencerminkan keseimbangan energi Anda yang sebenarnya lebih baik daripada rumus mana pun. Perangkat wearable atau ponsel dapat membantu mencatat berat badan dan aktivitas secara konsisten.

Pengukuran langsung lebih masuk akal jika estimasi diketahui kurang akurat. Ini mencakup IMT yang sangat tinggi, beban latihan yang berat, dan kondisi medis yang mengubah metabolisme. Pengukuran juga layak dipertimbangkan jika asupan dan perubahan berat badan Anda terus-menerus tidak sesuai dengan angka hitungan. Dalam situasi seperti itu, keputusan untuk menjalani tes klinis sebaiknya diambil bersama tenaga kesehatan yang menangani Anda.

📊 Statistik Utama

R² = 0,71
Variasi pengeluaran energi istirahat yang dijelaskan oleh persamaan Mifflin-St Jeor
E1: REE equation derivation study in 498 healthy adults
5%
Selisih lebih Harris-Benedict terhadap REE terukur dalam studi Mifflin
E1: REE equation derivation study in 498 healthy adults
80,2%
Atlet yang diprediksi dalam rentang ±10% dari RMR terukur oleh persamaan Ten-Haaf
E19: systematic review and meta-analysis of RMR equations in athletes
83%
Variasi RMR yang dijelaskan oleh massa bebas lemak ditambah massa lemak
E10: study of RMR and fat-free mass composition in 40 adults
−266 kkal/hari
Penurunan REE setelah 3 minggu makan 50% di bawah kebutuhan energi
E9: controlled caloric restriction and refeeding study in 32 nonobese men

Persamaan BMR/RMR yang umum dan temuan riset tentangnya

PersamaanData yang dibutuhkanRumus atau temuan utamaPaling baik untuk
Mifflin-St Jeor (pria)Berat badan, tinggi badan, usia10 × kg + 6,25 × cm − 5 × usia + 5Orang dewasa umum: paling sering berada dalam rentang 10% dari RMR terukur di antara empat persamaan umum
Mifflin-St Jeor (wanita)Berat badan, tinggi badan, usia10 × kg + 6,25 × cm − 5 × usia − 161Orang dewasa umum, tanpa obesitas maupun dengan obesitas
Mifflin versi massa bebas lemakMassa bebas lemak19,7 × FFM (kg) + 413 (R² = 0,64)Jika komposisi tubuh diketahui
Mifflin versi berat badan sajaBerat badan15,1 × kg + 371 (R² = 0,56)Estimasi cepat; kurang prediktif dibandingkan persamaan lengkap
Harris-Benedict (1919)Lihat publikasi asliMelebihkan REE terukur sebesar 5% dalam data MifflinObesitas berat: bias −18,9 kkal/hari
WHO (berat badan)Berbasis berat badan; data lengkap di publikasi asliBias −12,44 kkal/hari pada obesitas beratOrang dewasa dengan IMT 40,0 hingga 62,4
Ten-HaafLihat publikasi asli80,2% atlet dalam rentang ±10% dari RMR terukur; I² = 0%Atlet terlatih

❓ Pertanyaan Umum

Bagaimana cara menghitung BMR?
Gunakan persamaan Mifflin-St Jeor. Untuk pria: 10 × berat badan (kg) + 6,25 × tinggi badan (cm) − 5 × usia (tahun) + 5. Untuk wanita: komponen yang sama, lalu dikurangi 161. Contohnya, wanita berusia 40 tahun dengan berat 70 kg dan tinggi 165 cm mendapat 700 + 1.031,25 − 200 − 161 = sekitar 1.370 kkal/hari.
Berapa BMR yang normal?
Tidak ada satu nilai normal, karena BMR bergantung pada ukuran tubuh dan massa tanpa lemak. Sebagai patokan kasar, orang dewasa sehat dalam satu studi rata-rata membakar 20,8 ± 2,6 kkal per kg berat badan per hari. Untuk orang dengan berat 70 kg, hasilnya sekitar 1.456 kkal/hari (70 × 20,8).
Apa itu rumus Ten Haaf?
Ten Haaf adalah persamaan laju metabolisme istirahat yang memberikan hasil terbaik pada atlet. Dalam meta-analisis terhadap 29 studi dengan 1.430 atlet, persamaan ini memprediksi 80,2% peserta dalam rentang ±10% dari RMR terukur. Persamaan lain yang dianalisis berkisar antara 40,7% dan 63,7%.
Apa bedanya BMR dan TDEE?
BMR adalah energi yang Anda bakar saat benar-benar beristirahat. TDEE (pengeluaran energi harian total) menambahkan aktivitas fisik dan efek termis makanan di atas BMR. Untuk menghitung TDEE dari BMR, Anda perlu menambahkan perkiraan terpisah tentang seberapa aktif Anda.
Apakah kalkulator BMR online gratis akurat?
Kalkulator ini memberikan perkiraan awal yang masuk akal, tetapi bukan angka pasti. Mifflin-St Jeor memprediksi RMR dalam rentang 10% dari nilai terukur pada lebih banyak orang dibandingkan persamaan umum lainnya, tetapi kesalahan yang cukup berarti tetap bisa terjadi pada individu. Akurasinya makin menurun pada kelompok tertentu, seperti orang dengan obesitas berat, atlet, dan orang dengan kondisi medis tertentu.
Apakah diet menurunkan BMR?
Ya, sampai batas tertentu. Dalam sebuah studi terkontrol, pria yang makan 50% di bawah kebutuhan energinya selama 3 minggu mengalami penurunan REE sebesar 266 kkal/hari. Dari penurunan tersebut, 72 kkal/hari merupakan adaptasi sesungguhnya di luar hilangnya jaringan tubuh.

HAVIT: coach diet AI dari para ahli Juvis Diet, salah satu klinik penurunan berat badan terkemuka di Korea

Analisis, target dalam angka, coaching setiap hari

Artikel menyampaikan rata-rata yang sama untuk semua orang. HAVIT menganalisis tubuhmu lebih dulu, menetapkan target harian dalam angka dari hasilnya, lalu menjalankannya bersamamu selama 12 minggu.

  1. Langkah 1Analisis komposisi tubuh AI tanpa alat

    Cukup isi tinggi, berat, usia, dan beberapa pertanyaan gaya hidup untuk memperkirakan komposisi tubuhmu. Dalam studi internal kami (70 orang), akurasi estimasinya 92,9% dibandingkan hasil pengukuran InBody.

    • Skor HAVIT & laju metabolisme basal
    • Analisis otot-lemak & tipe komposisi tubuh
    • Tingkat obesitas, persentase lemak perut & lemak visceral
    • Cetak biru tubuh: berat badan target sehat, rasio pinggang-tinggi, kecepatan turun berat yang aman
    • Analisis kebiasaan 6 tahap
    HAVIT — Analisis komposisi tubuh AI tanpa alat
  2. Langkah 211 target harian dalam angka

    Dari hasil analisis, target harianmu ditetapkan dalam angka yang jelas. Target disesuaikan ulang setiap minggu mengikuti perubahan berat badanmu.

    • Kalori masuk, protein, karbohidrat, lemak, serat
    • Kalori terbakar & jumlah langkah
    • Durasi tidur & asupan air
    • Frekuensi timbang badan & BMI target
    HAVIT — 11 target harian dalam angka
  3. Langkah 3Aksi harian & coaching AI

    Target baru berarti kalau dijalankan. Mencatat jadi mudah, langkah berikutnya jadi jelas.

    • Catat makanan cukup dengan satu foto
    • Coach AI HAVI membaca catatanmu dan menyarankan satu hal untuk hari ini
    • Rekomendasi personal di 126+ kategori berdasarkan hasil analisis
    • Bukan cuma pola makan, tapi juga pola pikir — coaching berbasis CBT
    HAVIT — Aksi harian & coaching AIHAVIT — Aksi harian & coaching AI
  4. All-in-oneSemua dalam satu aplikasi

    Tak perlu bolak-balik banyak aplikasi. Saat semua catatan tentang tubuhmu ada di satu tempat, coach AI bisa membaca polanya.

    • Makan, air, olahraga, langkah
    • Tren tidur, berat badan & komposisi tubuh
    • Siklus menstruasi, suasana hati & check-in harian
    • Catatan & pengingat obat GLP-1
    • Meditasi terpandu, video olahraga & coach lari
    • Tetap konsisten lewat tantangan & avatar ala game
    HAVIT — Semua dalam satu aplikasiHAVIT — Semua dalam satu aplikasiHAVIT — Semua dalam satu aplikasiHAVIT — Semua dalam satu aplikasi
Hasil uji klinis 12 minggu Universitas Eulji
3,9x
Proporsi orang yang turun berat badan 5% atau lebih (31,7% vs 8,1%)
83%
Proporsi orang yang persentase lemak tubuhnya turun (kelompok kontrol 49%)

Analisis 78 orang (41 HAVIT, 37 kontrol) dengan hasil InBody minggu ke-1 dan ke-12, Juni–Agustus 2026. Studi non-blinded.

Mulai analisis gratis

HAVIT adalah aplikasi wellness, bukan alat kesehatan. Hasil komposisi tubuh merupakan estimasi.

Kuis dan tips kesehatan baru setiap hari

Ikuti HAVIT di Instagram dan Threads. @havit_app.id

Referensi

Artikel terkait

Perbandingan Akurasi Kalkulator BMR: Formula Mana yang Benar-Benar Bekerja di 2026?
Massa Otot dan Perhitungan Tingkat Metabolisme Istirahat: Berapa Kalori yang Sebenarnya Dibakar Setiap Pon di 2026
Kalori Aktif vs Total Kalori Terbakar: Apa yang Sebenarnya Diukur Pelacak Kebugaran Anda
Penyesuaian Nutrisi Berdasarkan Tingkat Aktivitas: Mengapa Kebutuhan Kalori Anda Bisa Hampir Dua Kali Lipat
Mendemokratisasi Pemeriksaan Komposisi Tubuh — Bagaimana Model Berbasis Survei HAVIT Mencapai Akurasi Setara Alat Klinis (Studi Perbandingan Internal n=70 Menggunakan InBody sebagai Referensi)

Siap Turun Berat Badan dengan Lebih Cerdas?

Semua yang Anda butuhkan untuk menurunkan berat badan, menjaga otot, dan membangun kebiasaan sehat — dalam satu aplikasi berbasis AI.

Download on the App StoreGet it on Google Play

Gratis diunduh. Mungkin ada pembelian dalam aplikasi.