Penelitian ini mengimplementasikan fine-tuning pada model Stable Diffusion menggunakan metode Low-Rank Adaptation (LoRA) untuk menghasilkan karakter pixel art dari deskripsi teks. Model yang telah disesuaikan ini kemudian diintegrasikan ke dalam sebuah website untuk mempermudah akses dan pengujian oleh pengguna. Data yang digunakan dalam pelatihan adalah dataset karakter pixel art yang telah dianotasi secara manual untuk memastikan konsistensi dan relevansi atribut visual. Efektivitas model dievaluasi melalui pendekatan kuantitatif menggunakan metrik Learned Perceptual Image Patch Similarity (LPIPS) dan pendekatan kualitatif melalui umpan balik pengguna. Hasil evaluasi kuantitatif menunjukkan bahwa model fine-tuned mencapai skor LPIPS rata-rata 0.2471, jauh lebih rendah dibandingkan base model Stable Diffusion 1.5 yang memiliki skor 0.8638, mengindikasikan peningkatan signifikan dalam kesesuaian visual antara prompt dan gambar yang dihasilkan. Dari sisi kualitatif, model ini mendapatkan rata-rata skor 4.48/5 untuk kualitas style dan 4.24/5 untuk kesesuaian warna, meskipun ditemukan tantangan pada representasi headgear dengan tingkat kesesuaian 0.00%. Dengan demikian, penelitian ini membuktikan efektivitas LoRA dalam mengadaptasi model generatif untuk seni digital dengan sumber daya komputasi yang efisien, menawarkan solusi inovatif bagi pengembang game indie dan desainer digital dalam memproduksi aset visual berkualitas tinggi.