Keuntungan:
- Kemampuan untuk memantau BMH, TDEE dan distribusi makro dengan rumus dasar (Mifflin-St Jeor, 4/4/9) dan secara independen memverifikasi perhitungan kecerdasan buatan
- Kemampuan untuk menangkap kesalahan penghitungan dengan memeriksa asumsi penting seperti koefisien aktivitas, perbedaan mentah/matang, dan protein g/kg
- Mampu mempraktekkan kebiasaan mengalikan kembali makrogram agar mendapatkan total yang tepat sasaran dan tidak terjerumus pada kepastian yang semu.
Kerangka numerik rencana nutrisi didasarkan pada dua perhitungan: kebutuhan energi harian seseorang (berapa banyak kalori) dan distribusi energi ini di antara zat gizi makro (berapa banyak karbohidrat, protein, lemak). Jika kedua perhitungan ini salah, maka seluruh menu, resep, dan tindak lanjutnya akan didasarkan pada landasan yang salah. Kecerdasan buatan membuat perhitungan ini dalam hitungan detik; Namun justru kecepatan inilah yang menjadi sumber bahaya. Karena meskipun AI dapat menerapkan rumus dengan benar, AI juga dapat salah mengasumsikan koefisien dan memberikan hasil yang salah dengan keyakinan yang sama. Tujuan dari unit ini adalah untuk menjadikan AI sebagai "generator spreadsheet" secara refleks dan memverifikasi setiap hasil secara independen.
Dasar-dasar perhitungan energi
Kebutuhan energi sehari-hari berasal dari dua komponen. Yang pertama adalah BMR — Basal Metabolic Rate, yaitu energi yang dikeluarkan tubuh saat istirahat (hanya untuk bernapas, detak jantung, menghasilkan panas). Yang kedua adalah mengalikan nilai ini dengan koefisien aktivitas (faktor aktivitas bahasa Inggris atau PAL - Tingkat Aktivitas Fisik); Koefisien ini bervariasi tergantung pada mobilitas seseorang, antara sekitar 1,2 (menetap) dan 1,9 (pekerjaan fisik yang sangat berat). Hasil perkaliannya adalah TDEE — Total Pengeluaran Energi Harian.
Rumus BMH yang paling umum digunakan adalah Mifflin-St Jeor:
- Laki-laki: BMH = 10 × berat badan (kg) + 6,25 × tinggi badan (cm) − 5 × umur + 5
- Wanita: BMH = 10 × berat badan (kg) + 6,25 × tinggi badan (cm) − 5 × umur − 161
Misalnya, untuk wanita berusia 78 kg, 165 cm, 38 tahun: BMH = 10×78 + 6,25×165 − 5×38 − 161 = 780 + 1031,25 − 190 − 161 = 1,460 kkal. Jika dianggap sedikit aktif (1,375), TDEE ≈ 2,008 kkal. Untuk menurunkan berat badan, defisit yang wajar (misalnya 500 kkal) dikurangi dari sini → ~ target 1.500 kkal. Mampu mengikuti langkah-langkah ini secara manual merupakan prasyarat untuk dapat mengontrol hasil AI.
Distribusi makro
Setelah sasaran kalori ditentukan, kami memecahnya menjadi makro. Kepadatan energi makro bersifat tetap dan Anda harus hafal: 1 gram karbohidrat ≈ 4 kkal, 1 gram protein ≈ 4 kkal, 1 gram lemak ≈ 9 kkal (alkohol ≈ 7 kkal). Contoh pembagian: pembagian 40% karbohidrat / 30% protein / 30% lemak 1.500 kkal → karbohidrat 600 kkal 4 = 150 g; protein 450 4 = 112,5 gram; lemak 450 9 = 50 gram. Mengalikan kembali jumlahnya dan memastikan jumlahnya mencapai 1.500 adalah langkah verifikasi yang paling sederhana dan paling ampuh.
Tabel berikut menunjukkan kisaran distribusi kasar untuk target umum (ini adalah titik awal, disesuaikan dengan klien):
Sasaran/situasi
karbohidrat
protein
minyak
catatan
Pola makan sehat secara umum
45-55%
15-20%
25-35%
seimbang
Penurunan berat badan (menghemat protein)
35-45%
25-30%
25-35%
Tinggi protein untuk rasa kenyang
Penguatan otot/atlet
45-55%
1,6-2,2% g/kg
20-30%
Protein dihitung dalam g/kg
resistensi insulin
40-45%
20-25%
30-35%
Prioritas karbohidrat berserat
Catatan: Kebutuhan protein sering kali dihitung dalam gram per berat badan (g/kg), bukan dalam persentase; karena kebutuhan protein seorang atlet bergantung pada massa ototnya, bukan total kalorinya. AI terkadang mengacaukan perbedaan ini dan memberikan protein yang tidak mencukupi berdasarkan persentase. Hitung ulang.
Protokol verifikasi akun AI
- Periksa masukannya: Rumus yang mana, koefisien aktivitas yang mana, baris gender yang mana yang digunakan AI? Mintalah mereka untuk menuliskannya dengan jelas.
- Minta hasil antara: Tampilkan BMH dan TDEE secara terpisah, bukan hanya "1.500 kkal". Biarkan langkah-langkahnya terlihat, bukan kotak hitam.
- Kalikan kembali: Kalikan gram makro dengan 4/4/9 untuk memverifikasi bahwa totalnya memenuhi target kalori.
- Filter logis: Apakah hasilnya masuk akal bagi klien? Kalau laki-laki aktif yang butuh 1.900 kkal mendapat 1.200 kkal, berarti salah.
- Konfirmasi dengan alat independen: Dalam kasus kritis, lakukan penghitungan untuk kedua kalinya dengan alat penghitungan yang andal atau secara manual.
tiga kasus mini
Kasus 1 — Kesalahan koefisien. Seorang ahli diet meminta AI melakukan perhitungan untuk klien yang bekerja selama 8 jam sehari dan berlatih 4 hari seminggu. AI mengasumsikan koefisien aktivitas 1,2 (tidak ada pergerakan) dan menemukan TDEE sebesar 1,700 kkal. Ahli gizi mengatakan "klien sangat aktif" dan menghitung ulang dengan koefisien 1,725; TDEE aktual menghasilkan ~2.450 kkal. Perbedaan 750 kkal secara tidak sengaja akan menyebabkan rencana yang terlalu terbatas. Verifikasi tersebut mencegah kelemahan dan pengecilan otot selama sebulan.
Kasus 2 — Total makro tidak bertambah. Dalam rancangan rencana lainnya, AI memberikan “220 g karbohidrat, 150 g protein, 90 g lemak” untuk 2.000 kkal. Ahli gizi mengalikannya kembali: 220×4 + 150×4 + 90×9 = 880 + 600 + 810 = 2.290 kkal. Total tersebut melebihi target sebesar 290 kkal. Makro AI diproduksi secara tidak konsisten. Ahli gizi mengoreksi nilai-nilai tersebut untuk memenuhi target.
Kasus 3 — Penggunaan yang benar. Seorang ahli diet pertama-tama secara manual menentukan kebutuhan protein untuk atlet berkekuatan 90 kg (2 g/kg = 180 g protein = 720 kkal), kemudian memberikan instruksi yang jelas kepada AI untuk "mendistribusikan sisa kalori antara karbohidrat dan lemak dalam rasio ini." AI mendistribusikan, ahli diet memverifikasi totalnya dengan mengalikannya kembali. AI melakukan perhitungan, keputusan klinis (2 g/kg protein) diserahkan kepada manusia.
Templat cepat yang dapat disalin
TEMPLATE AKUN ENERGI (langkah terlihat) Peran Anda: asisten penyusunan akun. Keputusan ada di tangan ahli gizi. Klien (anonim): [jenis kelamin, usia, tinggi badan cm, berat badan kg, tingkat aktivitas]. Hitung BMH dengan rumus Mifflin-St Jeor, tulis dengan JELAS koefisien aktivitas yang digunakan, tunjukkan TDEE. Sasaran: [penurunan/pemeliharaan berat badan].Tampilkan setiap langkah perantara pada baris terpisah sehingga saya dapat memverifikasinya.
TEMPLATE DISTRIBUSI MAKROTarget kalori: [X] kkal. Terapkan distribusi berikut: karbohidrat __%, protein __% (atau __ g/kg), lemak __%. Hitung GRAMS setiap makro, lalu kalikan kembali dengan 4/4/9 untuk menunjukkan bahwa jumlah totalnya adalah [X]. Jika belum, sesuaikan nilainya dengan target.
VERIFIKASI / TEMPLATE PRODUK KEMBALIPeriksa nilai makro berikut: [K g karbohidrat, P g protein, Y g lemak]. Kalikan masing-masing dengan 4/4/9 untuk mencari total kalori dan bandingkan dengan target [X] kkal. Jika ada perbedaan, nyatakan dalam persentase dan jelaskan ketidakkonsistenannya.
TEMPLATE PRIORITAS PROTEINKlien: [berat] kg, tujuan [pemeliharaan/penambahan otot]. Pertama hitung protein dalam gram berdasarkan g/kg. Kemudian kurangi kalori dari protein ini, distribusikan SISA kalori menjadi [rasio] karbohidrat dan lemak. Tunjukkan langkah-langkahnya.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Katakan berapa banyak kalori yang harus dimakan orang ini: wanita, 78 kg.
Tinggi badan, usia, aktivitas hilang; AI membuat keputusan dengan menebak-nebak dan tidak menunjukkan asumsi apa yang dibuatnya. Anda tidak dapat memverifikasi.
Perintah yang kuat:
Peran Anda: asisten penyusunan akun. Klien: perempuan, 38 tahun, 165 cm, 78 kg, sedikit aktif (koefisien 1,375). Hitung BMH, tunjukkan TDEE, capai tujuan penurunan berat badan Anda dengan defisit 500 kkal dengan Mifflin-St Jeor. Tunjukkan setiap nomor yang Anda gunakan pada baris terpisah.
Prompt kedua berisi semua input, rumus, koefisien, dan permintaan langkah transparan; Outputnya dapat diperiksa baris demi baris.
Kesalahan umum
- Tidak memverifikasi koefisien aktivitas: Kesalahan paling umum dan mahal; Koefisiennya harus sesuai dengan kehidupan nyata klien.
- Tidak melipatgandakan kembali total makro: gram AI sering kali meleset; Garis miring terbalik 30 detik menangkap ini.
- Persentase protein/kebingungan gram: Dalam situasi atletik dan klinis, protein dihitung dalam g/kg, bukan persentase.
- Mengandalkan kotak hitam: Menerima keluaran yang tidak menunjukkan langkah-langkah perantara. Langkah-langkah akan muncul.
- Ilusi hiperpresisi: Output desimal AI seperti "1.847,3 kkal" terlihat ilmiah, namun margin prediksinya adalah ±10%; Jangan tertipu oleh kepastian palsu.
Singkatnya
Perhitungan energi dan makro adalah kerangka digital dari rencana tersebut, dan AI menghasilkan kerangka ini dengan cepat. Namun kecepatan bukanlah pengganti verifikasi. Ketahui sendiri rumus BMH, TDEE, dan distribusi makro sehingga Anda dapat mengontrol keluaran AI. Minta langkah perantara agar terlihat di setiap akun, cocokkan koefisien aktivitas dengan realitas klien, kalikan kembali makro dengan 4/4/9, teruskan hasilnya melalui filter logika. Jangan tertipu oleh ketepatan yang salah (angka dengan desimal); Perhitungan gizi merupakan perkiraan dengan margin dugaan. AI mempercepat aritmatika; Penilaian klinis dan persetujuan akhir ada di tangan Anda.
Tugas aplikasi
Pilih profil klien (jenis kelamin, usia, tinggi badan, berat badan, aktivitas) dan hitung BMR DIRI SENDIRI secara manual terlebih dahulu dengan Mifflin-St Jeor. Kemudian berikan profil yang sama kepada AI dengan "template akun energi". Bandingkan kedua hasil tersebut; Jika ada perbedaan, carilah asal usulnya (koefisien, pembulatan, rumus). Kemudian verifikasi bahwa totalnya bertambah dengan membagi target kalori dengan distribusi makro dan mengalikannya kembali.
daftar periksa
- [ ] AI dengan jelas menuliskan rumus dan koefisien aktivitas yang digunakannya.
- [ ] Saya melihat hasil sementara BMH dan TDEE secara terpisah.
- [ ] Saya mengalikan kembali makro gram dengan 4/4/9 untuk memverifikasi bahwa totalnya sesuai target.
- [ ] Saya menghitung kebutuhan protein dalam g/kg bila diperlukan.
- [ ] Saya memfilter hasilnya melalui logika sesuai dengan kehidupan nyata klien.
- [ ] Saya tidak tertipu oleh kepastian palsu; Saya menganggap hasilnya sebagai rentang prediksi.