🌐 Bahasa Indonesia
EnglishالعربيةБългарскиবাংলাBosanskiČeštinaDanskDeutschΕλληνικάEspañol (España)Español (Latinoamérica)EestiSuomiFilipinoFrançaisहिन्दीHrvatskiMagyarBahasa IndonesiaItaliano日本語한국어LietuviųLatviešuМакедонскиBahasa MelayuNorsk bokmålNederlandsPolskiPortuguês (Brasil)Português (Portugal)RomânăРусскийSlovenčinaSlovenščinaShqipSrpskiSvenskaไทยTürkçeУкраїнськаاردوTiếng Việt简体中文繁體中文
Body composition

Profil ISAK vs Rumus Skinfold untuk Komposisi Tubuh

Profil antropometri ISAK menstandardisasi pengukuran di banyak titik dan fraksionasi jaringan, menghindari bias populasi serta kesalahan tingkat molekuler versus jaringan yang melekat pada persamaan skinfold standar. Namun, kedua pendekatan ini merupakan metode tidak langsung ganda yang tidak cukup sensitif untuk mendeteksi perubahan massa lemak jangka pendek di bawah 0,5 kg.

Terakhir diperbarui: 2026-09-15

Pemprofilan antropometri komprehensif di bawah protokol International Society for the Advancement of Kinanthropometry (ISAK) menyediakan penilaian terstandardisasi di banyak titik yang memisahkan jaringan secara anatomis, sedangkan persamaan skinfold standar mengandalkan regresi statistik untuk memprediksi densitas seluruh tubuh atau persentase lemak [4, 6, 9]. Meskipun fraksionasi ISAK mengurangi distorsi matematis akibat penerapan formula regresi spesifik populasi ke tingkat individu, kedua pendekatan ini tetap merupakan metode tidak langsung ganda (doubly indirect) yang tidak cukup sensitif untuk mendeteksi perubahan massa lemak jangka pendek di bawah 0,5 kg [16, 17].

Kelemahan Persamaan Skinfold Standar

Penilaian lemak tubuh tradisional menggunakan pengukuran kaliper pada titik-titik tertentu yang dimasukkan ke dalam persamaan regresi, seperti Jackson dan Pollock atau Durnin dan Womersley [4]. Persamaan-persamaan ini dikembangkan berdasarkan populasi referensi tertentu, sehingga kemampuan generalisasinya buruk ketika diterapkan pada kohort atlet, usia, jenis kelamin, atau ukuran tubuh yang berbeda [4, 11, 16].

Ketika formula regresi standar diterapkan pada data pengukuran yang identik, estimasi yang dihasilkan menunjukkan perbedaan yang drastis:

  • Ketidaksesuaian Formula: Menerapkan berbagai persamaan yang telah dipublikasikan pada kumpulan data delapan titik yang sama persis dari seorang praktisi ISAK Level 3 menghasilkan estimasi lemak berkisar antara 5,29% (Carter) hingga 8,22% (Faulkner) [3]. Dalam sebuah penelitian terhadap 87 orang dewasa, estimasi rata-rata persentase lemak bervariasi antara 8,90% hingga 17,91% pada pria dan 15,33% hingga 28,79% pada wanita, hanya karena perbedaan persamaan yang dipilih [9].
  • Bias Sistematis: Ketika dibandingkan dengan model baku emas empat komponen (4C), persamaan Durnin dan Womersley menunjukkan bias rata-rata sebesar -2%, sedangkan persamaan Jackson dan Pollock menunjukkan bias rata-rata sebesar -6,6%, di mana kedua formula tersebut secara sistematis meremehkan (underestimate) lemak tubuh pada individu yang berukuran lebih besar [4].
  • Ketidaksesuaian dengan Kriteria Baku: Pada atlet usia muda yang dievaluasi terhadap model tiga kompartemen (3C), persamaan yang digunakan secara luas—termasuk Durnin-Womersley, Jackson dan Pollock 7 titik, serta Slaughter—menyimpang secara signifikan dari nilai kriteria massa bebas lemak [8, 15]. Sebaliknya, persamaan Evans 3 titik untuk pria (perbedaan rata-rata = 1,8 ± 3,56 kg, koefisien korelasi konkordansi [CCC] Lin = 0,93) dan persamaan Evans 7 titik untuk wanita (CCC = 0,82, standard error of the estimate [SEE] = 2,01 kg) menunjukkan kesesuaian yang lebih tinggi [8, 15].
  • Dampak Praktis: Saat menetapkan ambang batas target seperti berat badan gulat minimum (MWW), kesalahan estimasi lemak tubuh dari persamaan dapat menghasilkan perbedaan standard error antara 2,4 dan 3,2 kg, yang mengubah target berat badan minimum hingga 3,3 kg [8, 15].

Sebagian besar kesalahan ini berakar dari konflik pemodelan yang mendasar. Persamaan regresi klasik berupaya memperkirakan massa lemak tingkat molekuler (Model 2: total massa lipid versus massa bebas lipid), sedangkan kaliper secara fisik mengukur kulit dan jaringan adiposa subkutan pada tingkat jaringan (Model 4) [9, 14]. Menyamakan massa lipid dengan jaringan adiposa anatomis menimbulkan kesalahan pemodelan dasar sebesar 8% hingga 10% [9].

Profil ISAK Komprehensif dan Fraksionasi Jaringan

Untuk mengatasi asumsi-asumsi dari persamaan regresi dua komponen, ISAK memperkenalkan protokol pengukuran multidimensi terstandardisasi yang dipadukan dengan model fraksionasi anatomis [6, 7, 12].

Profil Terstandardisasi dan Toleransi Teknis

ISAK menstandardisasi pelatihan praktisi melalui beberapa tingkatan sertifikasi:

  • Restricted Profile (Level 1): Terdiri dari 21 pengukuran, mencakup 4 ukuran dasar, 8 skinfold, 6 lingkar tubuh (girth), dan 3 lebar tulang [7]. Praktisi harus memenuhi batas technical error of measurement (TEM) sebesar 7,5% untuk skinfold dan 1,5% untuk semua pengukuran lainnya [6].
  • Full Profile (Level 2/3): Diperluas menjadi 42 pengukuran, dengan tambahan panjang tulang, tinggi segmen tubuh, serta lingkar dan lebar tulang ekstra [7]. Praktisi diwajibkan memenuhi batas TEM yang lebih ketat: 5,0% untuk skinfold dan 1,0% untuk semua dimensi lainnya [6].
  • Standardisasi Protokol: Pengukuran memerlukan kaliper terkalibrasi yang memberikan tekanan konstan sebesar 10 g/cm² pada rahang kaliper, dicatat hingga ketelitian 0,2 mm sekitar 4 detik setelah melepaskan tuas [4]. Minimal dua kali pembacaan dilakukan per titik; pembacaan ketiga hanya diperlukan jika selisih skinfold awal melebihi 5% (atau >1 mm berdasarkan panduan standar) atau jika dimensi lainnya berbeda lebih dari 1% [4, 6].

Model Lima Komponen Kerr

Alih-alih mengonversi skinfold menjadi densitas tubuh dan persentase lemak molekuler, pemprofilan komprehensif sering kali menerapkan model lima komponen Kerr [9, 12, 14]. Model tingkat jaringan (Model 4) ini membagi total massa tubuh menjadi lima komponen anatomis yang berbeda: jaringan adiposa, otot rangka, tulang, kulit, dan jaringan sisa (residual) [12, 14].

Dalam uji validasi terhadap dual-energy X-ray absorptiometry (DXA) pada 27 atlet para dengan amputasi ekstremitas bawah, model fraksional 5 komponen ISAK menunjukkan kesesuaian yang kuat untuk persentase lemak (perbedaan rata-rata 0,32 ± 4,8%, ICC > 0,83) dan massa lemak (perbedaan rata-rata -0,71 ± 3,64%, ICC > 0,85), meskipun tidak direkomendasikan untuk mengisolasi persentase massa bebas lemak murni [10].

Saat mengevaluasi massa otot, persamaan juga harus diinterpretasikan secara hati-hati. Pada kohort 50 pemain sepak bola remaja putra, estimasi massa otot berkisar antara 25,11 ± 3,07 kg (Poortmans) hingga 31,26 ± 4,94 kg (Doupe) akibat variasi definisi target (misalnya, massa otot rangka total tubuh versus massa otot seluruh tubuh versus otot tingkat jaringan model Kerr) [12].

Batasan Praktis dalam Memantau Perubahan dari Waktu ke Waktu

Untuk pemantauan longitudinal pada atlet dan pelaku latihan, antropometri memiliki kelebihan dan keterbatasan spesifik:

  • Stabilitas Biologis: Sebagai penilaian tidak langsung ganda, pemprofilan skinfold lebih sedikit dipengaruhi oleh fluktuasi biologis harian yang akut (seperti perubahan status hidrasi) dibandingkan bioelectrical impedance (BIA), bioimpedance spectroscopy (BIS), atau densitometri [15, 17].
  • Konsistensi Alat: Kaliper tidak dapat saling dipertukarkan begitu saja. Analisis Bland–Altman menunjukkan perbedaan signifikan (p < 0,001) antara kaliper Harpenden, Holtain, Slim Guide, dan Lipowise, yang berarti merek dan model yang sama harus digunakan secara konsisten pada setiap sesi evaluasi berkala [14].
  • Kurang Sensitif terhadap Perubahan Kecil: Pengukuran antropometri tidak memiliki resolusi yang cukup untuk mendeteksi perubahan massa lemak akut di bawah 0,5 kg yang dihasilkan dari intervensi nutrisi jangka pendek [16].
  • Risiko Salah Klasifikasi: Kesalahan pengukuran dalam batas TEM yang dapat diterima tetap dapat memengaruhi klasifikasi kategori. Pada 68 pria yang aktif secara fisik, margin kesalahan pada ambang batas TEM Level 1 dan Level 2/3 menyebabkan tingkat salah klasifikasi somatotipe antara 29,4% dan 38,2% pada 4 kelompok kategori dasar, dan hingga 72,1% pada 13 kelompok kategori terperinci [6].

Untuk melacak adaptasi fisik yang sebenarnya dari waktu ke waktu tanpa menimbulkan artefak matematis dari persamaan regresi, para praktisi sering kali cukup memantau ketebalan skinfold mentah, jumlah total skinfold (sum of skinfolds), atau mengonversi hasil pengukuran menjadi skor deviasi standar (SDS) bersamaan dengan massa tubuh [4].

Referensi

Sumber web

  1. Validation of a skinfold based index for tracking proportional ...
  2. Review Skinfolds Measurement Protocols and Standards
  3. How accurate are skinfold measurements for estimating BF ...
  4. Simple measures - skinfolds
  5. Skinfold Prediction Equation for Athletes Developed Using a Four ...
  6. The Impact of Technical Error of Measurement on ...
  7. ISAK Certification - Goldstandard Systems Inc.
  8. Validation of skinfold equations and alternative methods for ...
  9. Agreement and Differences between Fat Estimation ...
  10. Validity and reliability of anthropometric equations versus ...
  11. Frontiers | Editorial: Body composition assessment techniques ...
  12. Comparison of Anthropometric Equations to Estimate Body ...
  13. ACSM's Guidelines for Exercise Testing and Prescription
  14. Differences between Four Skinfold Calipers in the Assessment of ...
  15. Validation of skinfold equations and alternative methods for the ...
  16. Nutritional Assessment of Body Composition
  17. Come Back Skinfolds, All Is Forgiven: A Narrative Review of ...
  18. How Well do Skinfold Equations Predict Percent Body Fat ...
  19. (PDF) Development and validation of skinfold-thickness ...
  20. Estimation of Body Fat Percentage in Jockeys

Riset terkait

Body compositionPengaruh Ukuran Rangka Tulang terhadap Batas Maksimal Massa Otot Alami

Pengukuran rangka tulang seperti lingkar pergelangan tangan dan kaki memberikan batas struktural untuk massa tubuh bebas lemak alami maksimal serta target berat badan. Menggunakan persamaan anatomis, lifter natural dapat memperkirakan batas atas potensi otot mereka, meskipun rumus-rumus ini dikalibrasi khusus untuk individu bebas obat (drug-free) dengan kadar lemak tubuh rendah.

Body compositionLangkah Harian Saat Defisit Kalori: Nafsu Makan dan Adaptasi Metabolik

Menjaga jumlah langkah harian moderat selama defisit energi meningkatkan hormon rasa kenyang seperti GLP-1 dan PYY tanpa memicu makan berlebih secara kompensatoris. Namun, saat pelaku diet berada dalam defisit kalori aktif, total pengeluaran energi harian mendatar pada volume aktivitas yang lebih tinggi akibat pembatasan metabolik.

Body compositionPerubahan Proporsi Kaki dan Batang Tubuh Sepanjang Masa Remaja

Proporsi kaki dan batang tubuh bergeser secara non-linear selama masa pubertas, di mana pertumbuhan kaki mencapai puncaknya terlebih dahulu di awal pubertas sebelum pertumbuhan tulang belakang mengalami percepatan di akhir masa remaja. Proporsi antropometri dewasa umumnya stabil saat tercapainya kematangan rangka (tahap Tanner 4–5), meskipun rasio tinggi duduk akhir tetap dipengaruhi oleh jenis kelamin biologis, waktu pubertas, dan faktor genetik.

Body compositionMengatasi Plateau Penurunan Lemak: Tambah Aktivitas atau Kurangi Kalori?

Meningkatkan aktivitas berintensitas rendah membantu mengatasi plateau penurunan lemak dengan meningkatkan fluks energi, mempertahankan asupan kalori, dan mengurangi rasa lapar dibandingkan restriksi makanan yang ketat. Agar tidak mengganggu pemulihan latihan beban, aktivitas tambahan sebaiknya menggunakan modalitas berdampak rendah (low-impact) dan frekuensi moderat yang dipisahkan dari sesi angkat beban.

Body compositionRumus Lemak Tubuh Remaja: Seberapa Akurat Sepanjang Masa Pubertas?

Batas standar IMT dan rumus prediksi lipatan kulit dapat mengidentifikasi tren adipositas pediatrik secara umum dengan andal, tetapi akurasi individunya bervariasi sepanjang pematangan remaja. Perubahan hidrasi dan kandungan mineral tulang dalam massa bebas lemak memicu galat prediksi, terutama pada remaja dengan kadar lemak tubuh lebih tinggi atau kondisi klinis tertentu.

Body compositionFatMax vs HIIT untuk Penurunan Lemak dan Komposisi Tubuh

Latihan pada intensitas FatMax efektif mengurangi massa lemak dan lemak visceral pada populasi dengan kelebihan berat badan, tetapi tidak meningkatkan massa bebas lemak jika dilakukan sendiri. Latihan berintensitas lebih tinggi seperti HIIT memberikan penurunan persentase lemak tubuh dan lingkar pinggang yang sebanding atau lebih unggul dengan efisiensi waktu yang lebih baik. Karena penurunan lemak 24 jam terutama bergantung pada defisit energi total daripada pilihan bahan bakar saat latihan, kedua modalitas ini bekerja dengan baik selama volume total dan pengeluaran energi mencukupi.

Body compositionApakah Carb Cycling Lebih Efektif daripada Defisit Kalori Stabil untuk Menurunkan Lemak?

Ketika kalori dan protein mingguan disamakan, siklus karbohidrat dan kalori antara hari latihan dan istirahat menghasilkan penurunan lemak total yang sama dengan defisit harian yang stabil. Namun, refeed karbohidrat selama beberapa hari dapat membantu individu yang terlatih beban mempertahankan massa bebas lemak dan laju metabolisme istirahat dengan lebih baik.

Body compositionApakah Usia Metabolik BIA Valid sebagai Tolok Ukur Kesehatan?

Usia metabolik yang diperoleh dari bioelectrical impedance analysis (BIA) bukanlah pengukuran langsung terhadap metabolisme seluler ataupun diagnosis medis terstandar, melainkan berfungsi sebagai proksi statistik yang kuat untuk komposisi tubuh dan risiko kardiometabolik. Karena metrik ini hanya membandingkan estimasi pengeluaran energi istirahat dengan rata-rata demografis, ia tidak dapat memperhitungkan faktor non-komposisi seperti efisiensi mitokondria atau status tiroid.

Kategori