Meningkatnya pemanfaatan teknologi digital di bidang kesehatan dan kebugaran mendorong kebutuhan akan aplikasi workout yang tidak hanya berfungsi sebagai pencatat aktivitas, tetapi juga mampu memberikan analisis yang bersifat personal. Namun, estimasi kalori terbakar pada sebagian besar aplikasi kebugaran masih menggunakan pendekatan statis berbasis rumus Basal Metabolic Rate (BMR) dan Metabolic Equivalent of Task (MET) yang belum mempertimbangkan karakteristik individual pengguna secara optimal. Penelitian ini bertujuan untuk membangun aplikasi web home workout bernama Calsio yang mengintegrasikan prediksi kalori berbasis Gradient Boosting Regressor (GBR) serta chatbot fitness dan nutrisi berbasis Retrieval-Augmented Generation (RAG) menggunakan TF-IDF dan Large Language Model Gemini 3.5 Flash dalam Bahasa Indonesia. Aplikasi dibangun menggunakan arsitektur three-tier yang terdiri atas Vue 3 sebagai frontend, Node.js dan PostgreSQL sebagai backend, serta Python-Flask sebagai layanan machine learning. Model GBR dilatih menggunakan dataset Gym Members Exercise Tracking yang terdiri dari 973 sampel, dengan seluruh proses tuning dan evaluasi dilakukan menggunakan skema K-Fold Cross Validation (K=4, 5, 6, 8, dan 10) tanpa train_test_split, serta dioptimasi menggunakan GridSearchCV dengan 96 kombinasi parameter. Hasil pengujian menunjukkan bahwa model terbaik diperoleh pada parameter learning rate sebesar 0,1 dan K=10, dengan nilai CV R² (out-of-fold) sebesar 0,9970, MAE sebesar 11,62 kkal, RMSE sebesar 14,81 kkal, dan MAPE sebesar 1,35%. Evaluasi sistem information retrieval menghasilkan nilai Document Retrieval Accuracy sebesar 100% dan Mean Reciprocal Rank (MRR) sebesar 0,894. Selain itu, pengujian User Acceptance Testing (UAT) terhadap 10 responden memperoleh skor rata-rata sebesar 4,76 dari skala 5,00 (95,2%), sedangkan pengujian System Usability Scale (SUS) menghasilkan skor sebesar 93,25 dengan kategori Grade A (Excellent). Hasil tersebut menunjukkan bahwa aplikasi Calsio memiliki tingkat akurasi prediksi dan usability yang sangat baik serta layak digunakan sebagai solusi home workout berbasis kecerdasan buatan.