Peningkatan penggunaan media sosial di Indonesia dalam beberapa tahun terakhir menimbulkan perhatian terhadap potensi dampaknya pada fungsi kognitif, khususnya atensi visual dan kemampuan memori kerja visual-spasial. Secara teoritis, aktivitas yang menuntut pengolahan pola visual seperti Block Design Test melibatkan visuospatial sketchpad sebagai komponen working memory yang berperan dalam mempertahankan dan memanipulasi informasi visual serta spasial secara sementara. Namun, evaluasi terhadap pola atensi visual pada aktivitas tersebut masih menghadapi keterbatasan dalam memperoleh pengukuran yang objektif, rinci, dan terstandarisasi. Penelitian ini bertujuan untuk mengembangkan sistem evaluasi atensi visual berbasis Eye-Tracking yang memanfaatkan representasi graph untuk menganalisis pola pandangan mata selama penyelesaian Block Design Test, yang secara teoritis melibatkan kerja visuospatial sketchpad. Sistem yang diusulkan memanfaatkan Tobii Eye Tracker 5 untuk merekam pergerakan mata dan durasi pandangan pada setiap Area of Interest (AOI). Data gaze kemudian direpresentasikan ke dalam attention graph, dengan AOI sebagai node dan perpindahan pandangan antar-AOI sebagai edge. Untuk membangun representasi graph, penelitian ini menerapkan Graph2Vec melalui tahapan AOI sequence, attention graph construction, Weisfeiler-Lehman relabeling, ekstraksi subgraph, dan pembelajaran embedding hingga diperoleh vektor representasi graph berdimensi tetap. Selain itu, penelitian ini juga menggunakan Fused Gromov-Wasserstein (FGW) sebagai pendekatan pembanding untuk mengevaluasi kemiripan dua graph berdasarkan struktur konektivitas dan fitur node secara simultan. Hasil eksperimen menunjukkan bahwa Graph2Vec menghasilkan nilai cosine similarity pada rentang -0,166 hingga 0,221, dengan nilai tertinggi 0,221, yang mengindikasikan tingkat kemiripan representasi embedding yang relatif rendah terhadap graph referensi. Sementara itu, FGW menghasilkan nilai similarity pada rentang 0,203 hingga 0,851, dengan nilai tertinggi 0,851. Berdasarkan pengelompokan menggunakan nilai rata-rata dan standar deviasi, 62,50% data berada pada kategori Medium, sedangkan kategori High dan Low masing-masing mencakup 18,75% dari keseluruhan data. Hasil tersebut menunjukkan bahwa FGW menghasilkan rentang nilai similarity yang lebih besar dibandingkan Graph2Vec karena pengukurannya mempertimbangkan struktur graph dan fitur node secara bersamaan, termasuk atribut total_time dan fixation_count. Berdasarkan hasil penelitian ini, pendekatan berbasis graph menunjukkan potensi untuk digunakan sebagai salah satu alternatif dalam mengevaluasi kemiripan pola atensi visual pada penyelesaian Block Design Test berdasarkan representasi graph yang dibangun dari data eye-tracking.