Motif tenun melayu sangat beragam. Keberagaman ini membuat sulit membedakan motif-motif kain tenun tersebut. Klasifikasi data diperlukan untuk mengidentifikasi karakteristik objek yang terkandung dalam basis data agar kemudian dikategorikan ke dalam kelompok yang berbeda. Faster R-CNN dengan model arsitektur VGG dipilih untuk merancang sebuah sistem untuk klasifikasi motif tenun melayu. Faster R-CNN mengeliminasi sangat banyak waktu training karena mengeliminasi algoritma selective search untuk mencari region proposal. Diluar kecepatan tersebut, permasalahan lain yang muncul adalah bagaimana performa Faster R-CNN dalam mengklasifikasi citra motif tenun dibandingkan algoritma region proposal yang lain. Tujuan penelitian yang dicapai dalam penelitian ini yaitu untuk mengetahui performa klasifikasi motif tenun melayu menggunakan Faster R-CNN dengan model arsitektur VGG, dengan cara mengukur persentase akurasi, presisi, dan recall yang akan divalidasi menggunakan K-Fold Cross Validation. Jumlah dataset yang digunakan berjumlah 100 citra yang diacak untuk masingmasing dari 5 (lima) fold pada K-fold cross validation. Data tersebut dibagi menjadi 80 data train dan 20 data test. Setelah dilakukan persiapan data, pre-processing, serta implementasi, dilakukan pengujian dengan hasil bahwa dari data latih yang berupa citra kain tenun melayu, didapatkan skor rata-rata training loss dari step pertama hingga step terakhir sebesar 1,915. Klasifikasi karakteristik pengenalan motif tenun melayu menggunakan Metode deteksi objek Faster R-CNN melalui validasi K-Fold Cross Validation dengan nilai k=5, didapatkan akurasi 82.14%, presisi 91.38% dan recall 91.36%. Dari Analisa ditemukan bahwa Faster R-CNN dengan VGG secara keseluruhan unggul dibandingkan algoritma lain (CNN dengan arsitektur AlexNet), karena dipengaruhi perbedaan arsitektur dan sedikit dipengaruhi oleh pemilihan algoritma.