Özet: Bir kümeleme probleminde, kümeler birbirinden belirgin birşekilde ayrılmıyorsa ya da bazı birimler küme üyeliğinde kararsızsa, klasikkümeleme yöntemleri yerine bulanık kümeleme yöntemleri tercih edilmesiyararlı olacaktır. Kümeleme analizinde, anlamlı ve sağlıklı sonuçlaraulaşabilmek için en uygun küme sayısının belirlenmesi önemlidir. Ancak,birçok kümeleme algoritması küme sayısının önceden bilinmesini gerektirir. Enuygun küme sayısının belirlenme işlemlerine genel olarak küme geçerliliği adıverilmektedir. Bulanık kümeleme ile ilgili literatürde en uygun küme sayısı,küme geçerlilik indeksleri ile belirlenmektedir. Bazı karmaşık yapılar içerenverilerde, küme üyeliklerindeki karasızlıklar nedeniyle, küme geçerlilikindeksleri en uygun küme sayısını belirlemede birbirleri ile çelişen sonuçlarverebilmektedir. Ayrıca hangi indeksin en uygun küme sayısını belirlediğiniortaya koyan bir ölçüt de bulunmamaktadır. Bu çalışmada, en uygun kümesayısını belirlemede, ileri beslemeli yapay sinir ağları ve diskriminant analizikullanılmış; sonuçlar PC, CE gibi küme geçerlilik indekslerinden elde edilensonuçlar ile karşılaştırılarak en uygun küme sayısı hakkında karar verilmeyeçalışılmıştır.Anahtar Kelimeler: Bulanık Kümeleme, Küme geçerlilik indeksi,Yapay sinir ağları, Diskriminant Analizi.Abstract: In a clustering problem, it would be better to use fuzzyclustering if there was an uncertainty in determining clusters or memberships ofsome units. Determining the number of cluster has an important role onobtaining sensible and sound results in clustering analysis. In many clusteringalgorithm, it is firstly need to know number of cluster. However, there is no preinformation about the number of cluster in general. The process of determiningthe most proper number of cluster is called as cluster validation. In the availablefuzzy clustering literature, the most proper number of cluster is determined byutilizing cluster validation indices. When the data contain complexity are beinganalyzed, cluster validation indices can produce conflictive results. Also, thereis no criterion point out the best index. In this study, artificial neural networksand discriminant analysis are employed to determine the number of cluster andthe proposed method are applied some data and obtained results are compared tothose obtained from validation indices like PC and CE.Keywords: Fuzzy clustering, Cluster validation index, Artificial neuralnetwork, Discriminant analysis.