Kümeleme analizi, verilerin belirli bir model üzerinden geçip farklı gruplara ayrılmasıdır. Bu gruplar küme olarak adlandırılır. Kümeleme işlemleri verilerin içerdiği nesnelerin özelliklerine göre yapılır. Kendi kendini düzenleyen haritalar (SOM) temelinde yapay sinir ağlarının kullanıldığı soyut matematiksel bir modeldir. Boyut azaltma ve veri kümeleme amacıyla denetimsiz öğrenme algoritması kullanılarak eğitilen bir tür yapay sinir ağıdır. Kümeleme problemlerine etkin bir çözüm sunmaktadır. Bölümleyici küme analizi algoritmalarından k-means, kümeleme konusunda popüler olmasına rağmen, yetersiz hesaplama yapması, küme sayısının kullanıcı tarafından tanımlanması ve aramada yerel minimuma eğilimli olması açısından üç temel eksikliğe sahiptir. X-means algoritması, k-means ın her çalışmasından sonra, mevcut merkezlerin hangi alt kümelerinin, verilere daha iyi uyacak şekilde bölünmesi gerektiği konusunda yerel kararlar verebilen, k sayısını belirtilen aralıkta bulabilen alternatif bir algoritmadır. X-means ile Bayes Bilgilendirme Ölçütünü (BIC) optimize ederek kümelenme yerlerinin ve kümelenmelerin sayısını verimli bir şekilde araştıran yeni bir algoritma önerilmiştir. Bu çalışmada WEKA (Waikato Environment for Knowledge Analysis) yardımıyla aynı veri setine SOM ve x-means kümeleme uygulaması yapılarak kümeleme algoritmaları karşılaştırılmıştır.