Clustering is an unsupervised classification algorithm, is a group of clustering method, the clusters in the same group are very similar and the clusters in the other group are different. This clustering can be done with many clustering algorithms, it is important to find the best cluster centers among the data. In this thesis, the success of the firefly clustering algorithm, which has global search ability and is used to solve many difficult problems, has been tested on 12 datasets (Balance, Breast Cancer Wisconsin Diagnostic, Breast Cancer Wisconsin Original, Credit, Dermatology, Pima Diabetes, E. Coli, Glass, Heart Disease, Iris, Newthyroid and Wine) from the frequently used UCI data warehouse. In the proposed approach, the Rand index function was used as a fitness function. The test results of the proposed clustering algorithm were compared with the results of Suffled Frog Leaping Algorithm (SFLA) application and Particle Swarm Optimization (PSO) results (Karakoyun, 2015 ) (Karakoyun and Babalik, 2015). According to this comparison, the proposed clustering algorithm showed better performance in 7 data sets (Balance, Breast Cancer, Wisconsin Original, E.Coli, Glass, Heart Disease, Iris and Wine). In this comparison, Classification Error Percentage (CEP) and the performances obtained from the proposed algorithm were presented comparatively in the experimental results section of the thesis.

Kümeleme denetimsiz bir sınıflandırma algoritmasıdır ve nesneler arasında bulunan benzerliğe göre işlem yapar. Aynı kümede bulunan nesneler çok benzerlik gösterirken diğer kümeler arasında farklılık göstermektedir. Kümeleme işlemi birçok kümeleme algoritmaları ile yapılabilir, önemli olan veriler arasında en iyi küme merkezlerinin bulunmasıdır. Bu çalışmada global arama yeteneğine sahip olan ve birçok zor problemlerin çözümünde kullanılan ateşböceği kümeleme algoritması kullanılarak UCI veri ambarından alınan 12 adet veri seti (Balance, Breast Cancer Wisconsin Diagnostic, Breast Cancer Wisconsin Original, Credit, Dermatology, Pima Diabetes, E. Coli, Glass, Heart Disease, İris, Newthyroid ve Wine) üzerinde kümeleme işlemi yapılmıştır. Tezde önerilen yaklaşımda Rand index fonksiyonu kümeleme aşamasında uygunluk fonksiyonu olarak kullanılmıştır. Önerilen kümeleme algoritmasının test sonuçları, aynı veri setlerine uygulanan Karışık Kurbağa Sıçrama Algoritması (KKSA) ve Parçacık Sürü Optimizasyonu (PSO) sonuçları (Karakoyun, 2015) (Karakoyun ve Babalik, 2015) ile karşılaştırılmıştır. Bu karşılaştırmaya göre önerilen kümeleme algoritması 7 veri setinde (Balance, Breast Cancer Wisconsin Original, E.Coli, Glass, Heart Disease, İris ve Wine) daha iyi bir performans göstermiştir. Bu karşılaştırmalarda ölçüt olarak sınıflandırma hata yüzdesi (SHY) hesaplanmış ve önerilen algoritmadan elde edilen performanslar tezin deneysel sonuçlar kısmında karşılaştırmalı olarak sunulmuştur.