Görüntü işleme, uzaktan algılama, veri madenciliği, örüntü tanıma ve benzeri konularda yaygın olarak kullanılan kümeleme yöntemleri, bir grup içindeki benzerliklerin gruplar arasındaki benzerliklerden daha büyük olmasını amaçlamaktadır. Farklı yoğunluklara sahip kümeler içeren veri uzayları için kümeleme işlemi zordur ve bu problemi çözmeye odaklanan birçok çalışma ileri sürülmüştür. K-means ve bulanık c-means kümeleme yöntemlerinin performansı küme merkezlerinin başlangıç değerlerine bağlıdır. Bu yüzden her iki algoritmanın da farklı küme merkezi başlangıç değeri için birçok defa çalıştırılması gerekir. Çıkarımlı kümeleme yöntemi ise veri noktalarının konumlarından veri uzayının yoğun bölgelerini tespit etmeye ve en çok komşuluğa sahip olan veri noktalarını küme merkezi olarak seçmeye dayanır. Bu özelliğiyle başlangıç koşulundan bağımsızdır ve algoritmanın bir kez çalıştırılması yeterlidir. Ancak, küme merkezleri veri noktalarından başka konumlardan saptanamadığı için bu yöntem her veri uzayına uygun olmayabilir. Bu makalede önerilen kümeleme yöntemi sayesinde genel kümeleme yöntemlerindeki başlangıç koşulu, ayrıca çıkarımlı kümeleme yönteminde küme merkezlerinin veri noktalarından seçilme zorunluluğu ortadan kaldırılmıştır. Dört yapay veri uzayı ile test edilen yeni yöntem, k-means, bulanık c-means ve çıkarımlı kümeleme yöntemleri ile karşılaştırılmıştır. Sonuç olarak bulanık c-means ve çıkarımlı kümeleme yöntemlerinin avantajlarını birleştiren yeni yöntem ile bulanık c-means  yönteminin başlangıç koşuluna bağımlılığı ve küme merkezlerinin veri noktalarından seçilmesi zorunluluğu ortadan kaldırılmıştır.

Anahtar Kelimeler: başlangıç koşulu, k-means, bulanık c-means, çıkarımlı kümeleme.