Indonesia enfrenta desafíos persistentes en la previsión del crimen y la gestión de recursos judiciales, agravados por la subreportación crónica y la resolución espacial inconsistente en las estadísticas oficiales de criminalidad. En este estudio, se desarrolla y aplica un marco de aprendizaje automático espaciotemporal de múltiples niveles a 95,666 registros de delitos adjudicados del Tribunal Supremo de Indonesia que abarcan desde enero de 2023 hasta junio de 2024. Siguiendo la metodología CRISP-DM, se entrena un modelo híbrido STL-XGBoost v. 3.2.0 en una división cronológica para prever las cargas diarias de trabajo judicial, logrando un R2 de 0.8070, un MAE de 16.52 y un sMAPE de 9.76% en el conjunto de prueba reservado. El agrupamiento espacial DBSCAN, parametrizado a través del análisis del gráfico de distancia k (=0.3, minPts = 3) y validado mediante un análisis de sensibilidad del Índice de Similitud de Jaccard, identifica 29 centros de delitos adjudicados distintos concentrados a lo largo de los corredores urbanos y de tránsito de Java y Sumatra. El análisis comparativo de los datos de delitos reportados versus adjudicados revela una pérdida sistemática en el embudo judicial que varía desde el 199.12% en Riau hasta el 2436.02% en Papúa, estableciendo que los registros de delitos adjudicados proporcionan un indicador confiable de la carga de trabajo judicial en lugar de una medida integral de la desviación social. Se reconocen limitaciones clave, incluyendo la ventana de observación de 18 meses que puede no capturar cambios de política a largo plazo y el uso de los centroides de las ciudades como proxies espaciales que introduce un grado de falacia ecológica. El marco ofrece una herramienta de apoyo a la decisión escalable e interpretable para la planificación de recursos judiciales basada en evidencia a nivel nacional, provincial y municipal en Indonesia.