Email adalah media informasi yang masih sering digunakan oleh orang-orang pada saat ini. Saat ini email masih memiliki masalah yang terus terjadi yaitu email spam. Email spam merupakan email yang dapat mengotori, merusak atau menganggu penerimanya. Pada penelitian ini Penulis menampilkan kinerja dan keakuratan Multinomial Naïve Bayes (MNNB) dan Complete Gini-Index Text (GIT) untuk digunakan didalam filterisasi email spam. Algoritma MNNB digunakan sebagai algoritma klasifikasi dan Complete Gini Index Text digunakan sebagai fitur seleksi untuk menentukan fitur subset terbaik yang dipakai dalam model klasifikasi. Pada penelitian ini kami menggunakan data Enron-Spam yang divalidasi menggunakan 6 cross-validasi pada mesin klasifikasi yang dibangun. Pada penelitian ini bahwa dengan menggunakan Multinomial Naïve Bayes yang dipadukan dengan GIT dapat meningkatkan hasil akurasi dan F1 jika dibandingkan dengan tanpa menggunakan seleksi fitur. GIT tersebut menggunakan 115000 fitur yang didapatkan dari uji seluruh fitur dengan kelipatan 5000. hasil optimal yang diperoleh, didapatkan dari MNNB dan GIT-C pada fold ke-6 yaitu 98.72% akurasi dan F1-\textit{score}. Hasil tersebut dibandingkan dengan hasil GIT-A, GIT-B dan CHI2.