Bone imaging using ultrasound is a safe technique since it does not involve ionizing radiation and non-invasive. However, bone detection and localization to find its region of interest (RoI) is a challenging task because b-mode ultrasound images are characterized by high level of noise and reverberation artifacts. The image quality is user-dependent and the boundary between tissues is blurry, which makes it challenging to interpret images. In this paper, the deep learning approach using Region Proposal Networks was implemented to detect bone's RoI in bmode images. The Faster Region-based Convolutional Neural Network model was fine-tuned to detect and determine the bone location in b-mode images automatically. To evaluate the results, in-vivo experiments were carried out using human arm specimens. A total of 1,066 b-mode bone images from six different subjects were used in the training phase and testing phase. The proposed method was successful in determining the bone RoI with the value of the mAP, the accuracy of detection, and the accuracy of localization of 0.87, 98.33%, and 95.99% respectively. Intisari-Pencitraan tulang menggunakan ultrasound adalah sebuah teknik pencitraan yang aman karena bebas radiasi dan non-invasive. Namun, mendeteksi dan menentukan lokasi tulang untuk menemukan region of interest (RoI) adalah pekerjaan yang tidak mudah karena sifat citra b-mode yang memiliki derau yang tinggi dan reverberation artifacts. Kualitas citra dipengaruhi oleh pengguna dan batas antar area jaringan tidak jelas sehingga menyulitkan interpretasi. Dalam makalah ini, pendekatan deep learning menggunakan Region Proposal Networks diaplikasikan untuk mendeteksi RoI tulang dalam citra b-mode secara otomatis. Model arsitektur Faster Region-based Convolutional Neural Network disesuaikan agar dapat mendeteksi RoI tulang. Untuk mengevaluasi hasil, eksperimen secara in-vivo dilakukan menggunakan spesimen lengan manusia. Sebanyak 1.066 citra bmode tulang dari enam subjek yang berbeda digunakan dalam fase latih dan fase pengujian. Metode yang diusulkan berhasil menentukan RoI tulang dengan baik dengan nilai mAP, akurasi deteksi, dan akurasi penempatan RoI masing-masing sebesar sebesar 0,87, 98,33%, dan 95.99%. Kata Kunci-b-mode, deep learning, deteksi, faster R-CNN, tulang, region of interest, region proposal networks, ultrasound.